AI ທີ່ຄາດເດົາໄດ້ແມ່ນຫຍັງ?

AI ທີ່ຄາດເດົາໄດ້ຟັງແລ້ວໜ້າສົນໃຈ, ແຕ່ແນວຄວາມຄິດແມ່ນງ່າຍດາຍ: ໃຊ້ຂໍ້ມູນທີ່ຜ່ານມາເພື່ອຄາດເດົາສິ່ງທີ່ອາດຈະເກີດຂຶ້ນຕໍ່ໄປ. ຈາກລູກຄ້າອາດຈະປ່ຽນໄປໃຊ້ປະໂຫຍດຈາກຫຍັງເມື່ອເຄື່ອງຈັກຕ້ອງການການບໍລິການ, ມັນກ່ຽວກັບການປ່ຽນຮູບແບບທາງປະຫວັດສາດໃຫ້ກາຍເປັນສັນຍານທີ່ຄາດຄະເນໄວ້ລ່ວງໜ້າ. ມັນບໍ່ແມ່ນເວດມົນ - ມັນເປັນຄະນິດສາດທີ່ພົບກັບຄວາມເປັນຈິງທີ່ສັບສົນ, ດ້ວຍຄວາມສົງໄສທີ່ດີຕໍ່ສຸຂະພາບ ແລະ ການເຮັດຊ້ຳຫຼາຍໆຄັ້ງ.

ຂ້າງລຸ່ມນີ້ແມ່ນຄຳອະທິບາຍທີ່ເຂົ້າໃຈງ່າຍ ແລະ ເຂົ້າໃຈງ່າຍ. ຖ້າທ່ານມາທີ່ນີ້ສົງໄສວ່າ Predictive AI ແມ່ນຫຍັງ? ແລະ ມັນເປັນປະໂຫຍດຕໍ່ທີມຂອງທ່ານຫຼືບໍ່, ສິ່ງນີ້ຈະພາທ່ານຈາກ oh-ok ໄປອີກຂັ້ນໜຶ່ງ.☕️

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທີການລວມເອົາ AI ເຂົ້າໃນທຸລະກິດຂອງທ່ານ
ຂັ້ນຕອນການປະຕິບັດຕົວຈິງເພື່ອປະສົມປະສານເຄື່ອງມື AI ເພື່ອການເຕີບໂຕຂອງທຸລະກິດທີ່ສະຫຼາດກວ່າ.

🔗 ວິທີການໃຊ້ AI ເພື່ອໃຫ້ມີປະສິດທິພາບຫຼາຍຂຶ້ນ
ຄົ້ນພົບຂະບວນການເຮັດວຽກ AI ທີ່ມີປະສິດທິພາບທີ່ຊ່ວຍປະຢັດເວລາ ແລະ ເພີ່ມປະສິດທິພາບ.

🔗 ທັກສະ AI ແມ່ນຫຍັງ?
ຮຽນຮູ້ຄວາມສາມາດດ້ານ AI ທີ່ສຳຄັນທີ່ຈຳເປັນສຳລັບຜູ້ຊ່ຽວຊານທີ່ພ້ອມສຳລັບອະນາຄົດ.

Predictive AI ແມ່ນຫຍັງ? ຄຳນິຍາມ 🤖

AI ແບບຄາດເດົາ ໃຊ້ການວິເຄາະທາງສະຖິຕິ ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອຊອກຫາຮູບແບບໃນຂໍ້ມູນປະຫວັດສາດ ແລະ ຄາດຄະເນຜົນໄດ້ຮັບທີ່ອາດຈະເກີດຂຶ້ນ - ໃຜຊື້, ສິ່ງໃດລົ້ມເຫຼວ, ເມື່ອຄວາມຕ້ອງການເພີ່ມຂຶ້ນ. ໃນແງ່ທີ່ຊັດເຈນກວ່ານັ້ນ, ມັນປະສົມປະສານສະຖິຕິແບບຄລາສສິກກັບອັລກໍຣິທຶມ ML ເພື່ອປະເມີນຄວາມເປັນໄປໄດ້ ຫຼື ຄ່າຕ່າງໆກ່ຽວກັບອະນາຄົດອັນໃກ້ນີ້. ຈິດໃຈດຽວກັນກັບການວິເຄາະແບບຄາດເດົາ; ປ້າຍຊື່ທີ່ແຕກຕ່າງກັນ, ແນວຄວາມຄິດດຽວກັນໃນການຄາດຄະເນສິ່ງທີ່ຈະເກີດຂຶ້ນຕໍ່ໄປ [5].

ຖ້າທ່ານມັກເອກະສານອ້າງອີງຢ່າງເປັນທາງການ, ອົງການມາດຕະຖານ ແລະ ປື້ມຄູ່ມືດ້ານວິຊາການໄດ້ກຳນົດການຄາດຄະເນວ່າເປັນການສະກັດສັນຍານ (ແນວໂນ້ມ, ລະດູການ, ສະຫະສຳພັນອັດຕະໂນມັດ) ຈາກຂໍ້ມູນທີ່ຈັດລຽງຕາມເວລາເພື່ອຄາດຄະເນຄ່າໃນອະນາຄົດ [2].

ສິ່ງທີ່ເຮັດໃຫ້ AI ຄາດເດົາມີປະໂຫຍດ ✅

ຄຳຕອບສັ້ນໆ: ມັນຊຸກຍູ້ການຕັດສິນໃຈ, ບໍ່ພຽງແຕ່ແຜງຄວບຄຸມເທົ່ານັ້ນ. ສິ່ງ ທີ່ດີ ມາຈາກສີ່ລັກສະນະຄື:

• ຄວາມສາມາດໃນການປະຕິບັດໄດ້ - ຜົນຜະລິດຈະສ້າງແຜນທີ່ໄປຫາຂັ້ນຕອນຕໍ່ໄປ: ອະນຸມັດ, ກຳນົດເສັ້ນທາງ, ສົ່ງຂໍ້ຄວາມ, ກວດກາ.

• ການຮັບຮູ້ຄວາມເປັນໄປໄດ້ - ທ່ານຈະໄດ້ຮັບຄວາມເປັນໄປໄດ້ທີ່ຖືກປັບທຽບແລ້ວ, ບໍ່ພຽງແຕ່ຄວາມຮູ້ສຶກເທົ່ານັ້ນ [3].

• ສາມາດເຮັດຊ້ຳໄດ້ - ເມື່ອນຳໃຊ້ແລ້ວ, ຮູບແບບຕ່າງໆຈະເຮັດວຽກຢ່າງຕໍ່ເນື່ອງ, ຄືກັບເພື່ອນຮ່ວມງານທີ່ງຽບສະຫງົບທີ່ບໍ່ເຄີຍນອນຫຼັບ.

• ສາມາດວັດແທກໄດ້ - ການຍົກລະດັບ, ຄວາມແມ່ນຍໍາ, RMSE - ເຈົ້າຕັ້ງຊື່ມັນ - ຄວາມສຳເລັດແມ່ນສາມາດວັດແທກໄດ້.

ເວົ້າຕາມຄວາມຈິງ: ເມື່ອ AI ທີ່ຄາດເດົາໄດ້ດີ, ມັນຮູ້ສຶກເກືອບໜ້າເບື່ອ. ການແຈ້ງເຕືອນມາຮອດ, ແຄມເປນແນໃສ່ຕົວເອງ, ຜູ້ວາງແຜນສັ່ງຊື້ສິນຄ້າຄົງຄັງກ່ອນໄວອັນຄວນ. ຄວາມໜ້າເບື່ອແມ່ນສິ່ງທີ່ສວຍງາມ.

ເລື່ອງເລັກໆນ້ອຍໆ: ພວກເຮົາໄດ້ເຫັນທີມງານຕະຫຼາດກາງສົ່ງຮູບແບບການເພີ່ມຄວາມຊັນຂະໜາດນ້ອຍທີ່ພຽງແຕ່ໃຫ້ຄະແນນ "ຄວາມສ່ຽງຂອງສິນຄ້າໝົດພາຍໃນ 7 ມື້ຂ້າງໜ້າ" ໂດຍໃຊ້ຄວາມຊັກຊ້າ ແລະ ຄຸນສົມບັດປະຕິທິນ. ບໍ່ມີເຄືອຂ່າຍທີ່ເລິກເຊິ່ງ, ພຽງແຕ່ຂໍ້ມູນທີ່ສະອາດ ແລະ ຂອບເຂດທີ່ຊັດເຈນ. ໄຊຊະນະບໍ່ແມ່ນການກະພິບຕາ - ມັນແມ່ນການໂທລົບກວນໜ້ອຍລົງໃນການປະຕິບັດງານ.

AI ແບບຄາດເດົາ vs AI ແບບສ້າງສັນ - ການແບ່ງແຍກທີ່ວ່ອງໄວ ⚖️

• ປັນຍາປະດິດທີ່ສ້າງສັນ (Generative AI) ສ້າງເນື້ອຫາໃໝ່ - ຂໍ້ຄວາມ, ຮູບພາບ, ລະຫັດ - ໂດຍການສ້າງແບບຈຳລອງການແຈກຢາຍຂໍ້ມູນ ແລະ ການເກັບຕົວຢ່າງຈາກພວກມັນ [4].

• AI ທີ່ຄາດເດົາໄດ້ ຄາດຄະເນຜົນໄດ້ຮັບ - ຄວາມສ່ຽງຈາກການຍົກເລີກ, ຄວາມຕ້ອງການໃນອາທິດໜ້າ, ຄວາມເປັນໄປໄດ້ຕາມຄ່າເລີ່ມຕົ້ນ - ໂດຍການປະເມີນຄວາມເປັນໄປໄດ້ແບບມີເງື່ອນໄຂ ຫຼື ຄ່າຕ່າງໆຈາກຮູບແບບປະຫວັດສາດ [5].

ໃຫ້ຄິດວ່າ generative ເປັນສະຕູດິໂອສ້າງສັນ, ແລະ predictive ເປັນການບໍລິການສະພາບອາກາດ. ກ່ອງເຄື່ອງມືດຽວກັນ (ML), ແຕ່ຈຸດປະສົງແຕກຕ່າງກັນ.

ສະນັ້ນ... Predictive AI ແມ່ນຫຍັງໃນການປະຕິບັດ? 🔧

1. ເກັບກຳ ຂໍ້ມູນປະຫວັດສາດທີ່ມີປ້າຍກຳກັບ - ຜົນໄດ້ຮັບທີ່ທ່ານສົນໃຈ ແລະ ຂໍ້ມູນປ້ອນຂໍ້ມູນທີ່ອາດຈະອະທິບາຍເຖິງພວກມັນ.

2. ຄຸນສົມບັດຂອງວິສະວະກອນ - ປ່ຽນຂໍ້ມູນດິບໃຫ້ເປັນສັນຍານທີ່ເປັນປະໂຫຍດ (ຄວາມຊັກຊ້າ, ສະຖິຕິການເລື່ອນ, ການຝັງຂໍ້ຄວາມ, ການເຂົ້າລະຫັດແບບໝວດໝູ່).

3. ຝຶກອົບຮົມ ອັລກໍຣິທຶມແບບຈຳລອງທີ່ຮຽນຮູ້ຄວາມສຳພັນລະຫວ່າງການປ້ອນຂໍ້ມູນ ແລະ ຜົນໄດ້ຮັບ.

4. ປະເມີນ -validate ຂໍ້ມູນການຍຶດຫມັ້ນກັບ metrics ທີ່ສະທ້ອນເຖິງມູນຄ່າທຸລະກິດ.

5. ນຳໃຊ້ -send ການຄາດຄະເນເຂົ້າໃນແອັບ, ຂັ້ນຕອນການເຮັດວຽກ ຫຼື ລະບົບການແຈ້ງເຕືອນຂອງທ່ານ.

6. ຕິດຕາມກວດກາ - ຕິດຕາມປະສິດທິພາບ, ສັງເກດເບິ່ງ ຂອງຂໍ້ມູນ / ແນວຄວາມຄິດ , ແລະ ຮັກສາການຝຶກອົບຮົມຄືນໃໝ່/ການປັບທຽບຄືນໃໝ່. ຂອບການເຮັດວຽກຊັ້ນນຳໄດ້ກ່າວເຖິງການປ່ຽນແປງ, ຄວາມລຳອຽງ ແລະ ຄຸນນະພາບຂອງຂໍ້ມູນຢ່າງຊັດເຈນວ່າເປັນຄວາມສ່ຽງຢ່າງຕໍ່ເນື່ອງທີ່ຕ້ອງການການຄຸ້ມຄອງ ແລະ ການຕິດຕາມກວດກາ [1].

ອັລກໍຣິທຶມມີຕັ້ງແຕ່ແບບຈຳລອງເສັ້ນຊື່ຈົນເຖິງຊຸດຕົ້ນໄມ້ຈົນເຖິງເຄືອຂ່າຍປະສາດ. ເອກະສານທີ່ມີສິດອຳນາດລະບຸລາຍຊື່ຄວາມສົງໃສທົ່ວໄປ - ການຖົດຖອຍໂລຈິດສະຕິກ, ປ່າແບບສຸ່ມ, ການເພີ່ມຄວາມຊັນ, ແລະອື່ນໆ - ພ້ອມດ້ວຍການອະທິບາຍການແລກປ່ຽນ ແລະ ຕົວເລືອກການປັບທຽບຄວາມເປັນໄປໄດ້ເມື່ອທ່ານຕ້ອງການຄະແນນທີ່ມີພຶດຕິກຳດີ [3].

ກ້ອນກໍ່ສ້າງ - ຂໍ້ມູນ, ປ້າຍຊື່, ແລະ ຮູບແບບ 🧱

• ຂໍ້ມູນ - ເຫດການ, ທຸລະກຳ, ການວັດ ແລະ ສົ່ງຂໍ້ມູນທາງໄກ, ການຄລິກ, ການອ່ານເຊັນເຊີ. ຕາຕະລາງທີ່ມີໂຄງສ້າງແມ່ນເປັນເລື່ອງທຳມະດາ, ແຕ່ຂໍ້ຄວາມ ແລະ ຮູບພາບສາມາດປ່ຽນເປັນລັກສະນະຕົວເລກໄດ້.

• ປ້າຍກຳກັບ - ສິ່ງທີ່ທ່ານກຳລັງຄາດຄະເນ: ຊື້ແລ້ວ ທຽບກັບ ບໍ່ໄດ້ຊື້, ມື້ຈົນກວ່າຈະລົ້ມເຫຼວ, ເງິນໂດລາຂອງຄວາມຕ້ອງການ.

• ອັລກໍຣິທຶມ

  • ການຈັດປະເພດ ເມື່ອຜົນໄດ້ຮັບແມ່ນການຍົກເລີກແບບຈັດປະເພດ ຫຼື ບໍ່.

  • ການຖົດຖອຍ ເມື່ອຜົນໄດ້ຮັບເປັນຕົວເລກ - ຈຳນວນໜ່ວຍທີ່ຂາຍໄດ້.

  • ຊຸດເວລາ ເມື່ອລຳດັບມີຄວາມສຳຄັນ - ການຄາດຄະເນມູນຄ່າຕາມເວລາ, ບ່ອນທີ່ແນວໂນ້ມ ແລະ ລະດູການຕ້ອງການການປະຕິບັດຢ່າງຊັດເຈນ [2].

ການຄາດຄະເນແບບອະນຸກົມເວລາເພີ່ມລະດູການ ແລະ ແນວໂນ້ມເຂົ້າໃນວິທີການປະສົມເຊັ່ນ: ການເຮັດໃຫ້ລຽບແບບເອັກໂປເນນຊຽວ ຫຼື ແບບຈຳລອງຄອບຄົວ ARIMA ແມ່ນເຄື່ອງມືຄລາສສິກທີ່ຍັງຄົງເປັນຕົວຂອງຕົວເອງເປັນເສັ້ນຖານຄຽງຄູ່ກັບ ML ທີ່ທັນສະໄໝ [2].

ກໍລະນີການນຳໃຊ້ທົ່ວໄປທີ່ຈັດສົ່ງຕົວຈິງ 📦

• ລາຍຮັບ ແລະ ການເຕີບໂຕ

  • ການໃຫ້ຄະແນນລູກຄ້າທີ່ມີທ່າແຮງ, ການຍົກລະດັບການປ່ຽນໃຈເຫລື້ອມໃສ, ຄໍາແນະນໍາສ່ວນບຸກຄົນ.

• ຄວາມສ່ຽງ ແລະ ການປະຕິບັດຕາມ

  • ການກວດຫາການສໍ້ໂກງ, ຄວາມສ່ຽງດ້ານສິນເຊື່ອ, ທຸງ AML, ການກວດຫາຄວາມຜິດປົກກະຕິ.

• ການສະໜອງ ແລະ ການດຳເນີນງານ

  • ການຄາດຄະເນຄວາມຕ້ອງການ, ການວາງແຜນກຳລັງແຮງງານ, ການເພີ່ມປະສິດທິພາບສິນຄ້າຄົງຄັງ.

• ຄວາມໜ້າເຊື່ອຖື ແລະ ການບຳລຸງຮັກສາ

  • ການບຳລຸງຮັກສາອຸປະກອນແບບຄາດເດົາ - ປະຕິບັດກ່ອນທີ່ຈະເກີດຄວາມລົ້ມເຫຼວ.

• ສຸຂະພາບ ແລະ ສາທາລະນະສຸກ

  • ຄາດຄະເນການເຂົ້າຮັບການປິ່ນປົວຄືນໃໝ່, ການຄັດແຍກຄວາມຮີບດ່ວນ, ຫຼື ຮູບແບບຄວາມສ່ຽງຂອງພະຍາດ (ດ້ວຍການກວດສອບຄວາມຖືກຕ້ອງ ແລະ ການຄຸ້ມຄອງຢ່າງລະມັດລະວັງ)

ຖ້າທ່ານເຄີຍໄດ້ຮັບ SMS ວ່າ "ທຸລະກຳນີ້ເບິ່ງຄືວ່າໜ້າສົງໄສ", ທ່ານໄດ້ພົບກັບ AI ທີ່ຄາດເດົາໄດ້ງ່າຍ.

ຕາຕະລາງປຽບທຽບ - ເຄື່ອງມືສຳລັບ Predictive AI 🧰

ໝາຍເຫດ: ລາຄາແມ່ນກວ້າງຂວາງ - ແຫຼ່ງເປີດແມ່ນບໍ່ເສຍຄ່າ, ຄລາວແມ່ນອີງຕາມການນຳໃຊ້, ວິສາຫະກິດແຕກຕ່າງກັນ. ມີຄວາມແຕກຕ່າງເລັກນ້ອຍຫຼືສອງຢ່າງທີ່ປະໄວ້ເພື່ອຄວາມເປັນຈິງ..

ວິທີທີ່ Predictive AI ປຽບທຽບກັບ ກຳນົດໄວ້ 🧭

ໃຫ້ຄຳຕອບກ່ຽວ ກັບສິ່ງທີ່ມີແນວໂນ້ມທີ່ຈະເກີດຂຶ້ນ . ແບບກຳນົດ ໄປໄກກວ່ານັ້ນ - ພວກເຮົາຄວນເຮັດແນວໃດກ່ຽວກັບມັນ , ການເລືອກການກະທຳທີ່ເພີ່ມປະສິດທິພາບຜົນໄດ້ຮັບພາຍໃຕ້ຂໍ້ຈຳກັດ. ສັງຄົມວິຊາຊີບກຳນົດການວິເຄາະແບບກຳນົດວ່າເປັນການໃຊ້ຮູບແບບເພື່ອແນະນຳການກະທຳທີ່ດີທີ່ສຸດ, ບໍ່ພຽງແຕ່ການຄາດຄະເນເທົ່ານັ້ນ [5]. ໃນທາງປະຕິບັດ, ການຄາດຄະເນໃຫ້ຂໍ້ມູນຕາມໃບສັ່ງແພດ.

ການປະເມີນຮູບແບບ - ຕົວຊີ້ວັດທີ່ສຳຄັນ 📊

ເລືອກຕົວຊີ້ວັດທີ່ກົງກັບການຕັດສິນໃຈ:

• ການຈັດປະເພດ

  • ຄວາມແມ່ນຍຳ ເພື່ອຫຼີກລ່ຽງຜົນບວກທີ່ບໍ່ຖືກຕ້ອງເມື່ອການແຈ້ງເຕືອນມີລາຄາແພງ.

  • ຈື່ໄວ້ ເພື່ອຈັບເຫດການທີ່ແທ້ຈິງຫຼາຍຂຶ້ນເມື່ອການພາດມີຄ່າໃຊ້ຈ່າຍສູງ.

  • AUC-ROC ເພື່ອປຽບທຽບຄຸນນະພາບອັນດັບຕາມເກນຕ່າງໆ.

• ການຖົດຖອຍ

  • RMSE/MAE ສຳລັບຂະໜາດຂອງຄວາມຜິດພາດໂດຍລວມ.

  • MAPE ເມື່ອຄວາມຜິດພາດທີ່ກ່ຽວຂ້ອງມີຄວາມສຳຄັນ.

• ການຄາດຄະເນ

  • MASE, sMAPE ສຳລັບການປຽບທຽບອະນຸກົມເວລາ.

  • ການຄຸ້ມຄອງ ສຳລັບຊ່ວງເວລາການຄາດຄະເນ - ແຖບຄວາມບໍ່ແນ່ນອນຂອງເຈົ້າມີຄວາມຈິງແທ້ບໍ?

ກົດລະບຽບທີ່ຂ້ອຍມັກ: ເພີ່ມປະສິດທິພາບຕົວຊີ້ວັດທີ່ສອດຄ່ອງກັບງົບປະມານຂອງເຈົ້າຖ້າມັນຜິດພາດ.

ຄວາມເປັນຈິງຂອງການນຳໃຊ້ - ການເລື່ອນລອຍ, ອະຄະຕິ, ແລະ ການຕິດຕາມກວດກາ 🌦️

ຮູບແບບຫຼຸດລົງ. ຂໍ້ມູນປ່ຽນໄປ. ພຶດຕິກຳປ່ຽນແປງ. ນີ້ບໍ່ແມ່ນຄວາມລົ້ມເຫຼວ - ມັນແມ່ນໂລກທີ່ກຳລັງເຄື່ອນໄຫວ. ຂອບການເຮັດວຽກຊັ້ນນຳຮຽກຮ້ອງໃຫ້ມີການຕິດຕາມກວດກາຢ່າງຕໍ່ເນື່ອງສຳລັບ ການເລື່ອນຂໍ້ມູນ ແລະ ການປ່ຽນແນວຄວາມຄິດ , ເນັ້ນໃສ່ອະຄະຕິ ແລະ ຄວາມສ່ຽງດ້ານຄຸນນະພາບຂອງຂໍ້ມູນ, ແລະ ແນະນຳເອກະສານ, ການຄວບຄຸມການເຂົ້າເຖິງ, ແລະ ການຄຸ້ມຄອງວົງຈອນຊີວິດ [1].

• ການຫັນປ່ຽນຂອງແນວຄວາມຄິດ - ຄວາມສຳພັນລະຫວ່າງການປ້ອນຂໍ້ມູນ ແລະ ເປົ້າໝາຍວິວັດທະນາການ, ດັ່ງນັ້ນຮູບແບບຂອງມື້ວານຈຶ່ງບໍ່ສາມາດຄາດເດົາຜົນໄດ້ຮັບຂອງມື້ອື່ນໄດ້ດີຂຶ້ນອີກຕໍ່ໄປ.

• ຮູບແບບ ຫຼື ການເລື່ອນລອຍຂອງຂໍ້ມູນ - ການແຈກຢາຍການປ້ອນຂໍ້ມູນປ່ຽນໄປ, ເຊັນເຊີປ່ຽນໄປ, ພຶດຕິກຳຂອງຜູ້ໃຊ້ປ່ຽນແປງໄປ, ປະສິດທິພາບຫຼຸດລົງ. ກວດຫາ ແລະ ປະຕິບັດ.

ຄູ່ມືການປະຕິບັດຕົວຈິງ: ຕິດຕາມກວດກາຕົວຊີ້ວັດໃນການຜະລິດ, ດໍາເນີນການທົດສອບດຣິຟ, ຮັກສາຈັງຫວະການຝຶກອົບຮົມຄືນໃໝ່, ແລະບັນທຶກການຄາດຄະເນທຽບກັບຜົນໄດ້ຮັບສໍາລັບການທົດສອບຍ້ອນຫຼັງ. ຍຸດທະສາດການຕິດຕາມແບບງ່າຍໆຈະເອົາຊະນະກົນລະຍຸດທີ່ສັບສົນທີ່ທ່ານບໍ່ເຄີຍດໍາເນີນການ.

ຂັ້ນຕອນການເຮັດວຽກເລີ່ມຕົ້ນງ່າຍໆທີ່ທ່ານສາມາດຄັດລອກໄດ້ 📝

1. ໃຫ້ຄໍານິຍາມການຕັດສິນໃຈ - ເຈົ້າຈະເຮັດແນວໃດກັບການຄາດຄະເນໃນລະດັບທີ່ແຕກຕ່າງກັນ?

2. ລວບລວມຂໍ້ມູນ - ເກັບກຳຕົວຢ່າງປະຫວັດສາດພ້ອມດ້ວຍຜົນໄດ້ຮັບທີ່ຊັດເຈນ.

3. ແຍກ - ຝຶກອົບຮົມ, ການຢັ້ງຢືນ, ແລະການທົດສອບທີ່ບໍ່ສາມາດຕ້ານທານໄດ້ຢ່າງແທ້ຈິງ.

4. ເສັ້ນຖານ - ເລີ່ມຕົ້ນດ້ວຍການຖົດຖອຍໂລຈິດສະຕິກ ຫຼື ການລວບລວມຕົ້ນໄມ້ຂະໜາດນ້ອຍ. ເສັ້ນຖານບອກຄວາມຈິງທີ່ບໍ່ສະບາຍໃຈ [3].

5. ປັບປຸງ - ວິສະວະກຳຄຸນສົມບັດ, ການກວດສອບຂ້າມ, ການເຮັດໃຫ້ເປັນປົກກະຕິຢ່າງລະມັດລະວັງ.

6. Ship - ຈຸດສິ້ນສຸດ API ຫຼື batch job ທີ່ຂຽນການຄາດຄະເນໃສ່ລະບົບຂອງທ່ານ.

7. ໂມງ - ແຜງຄວບຄຸມສຳລັບຄຸນນະພາບ, ສັນຍານເຕືອນໄພການເລື່ອນ, ຕົວກະຕຸ້ນການຝຶກອົບຮົມຄືນໃໝ່ [1].

ຖ້າມັນຟັງຄືວ່າຫຼາຍ, ມັນກໍ່ແມ່ນ - ແຕ່ເຈົ້າສາມາດເຮັດໄດ້ເປັນໄລຍະ. ການຊະນະເລັກໆນ້ອຍໆຈະປະສົມກັນ.

ປະເພດຂໍ້ມູນ ແລະ ຮູບແບບການສ້າງແບບຈຳລອງ - ຜົນການຄົ້ນຫາໄວ 🧩

• ບັນທຶກຕາຕະລາງ - ພື້ນທີ່ຫຼັກສຳລັບການເພີ່ມຄວາມຊັນ ແລະ ຮູບແບບເສັ້ນຊື່ [3].

• ຊຸດເວລາ - ມັກຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກການແຍກສ່ວນອອກເປັນແນວໂນ້ມ/ລະດູການ/ສ່ວນທີ່ເຫຼືອກ່ອນ ML. ວິທີການແບບຄລາສສິກເຊັ່ນ: ການເຮັດໃຫ້ລຽບແບບເອັກໂປເນນຊຽລຍັງຄົງເປັນເສັ້ນຖານທີ່ເຂັ້ມແຂງ [2].

• ຂໍ້ຄວາມ, ຮູບພາບ - ຝັງໃສ່ເວັກເຕີຕົວເລກ, ຈາກນັ້ນຄາດເດົາຄືກັບຕາຕະລາງ.

• ກຣາຟ - ເຄືອຂ່າຍລູກຄ້າ, ຄວາມສຳພັນຂອງອຸປະກອນ - ບາງຄັ້ງຮູບແບບກຣາຟກໍ່ຊ່ວຍໄດ້, ບາງຄັ້ງມັນກໍ່ວິສະວະກຳຫຼາຍເກີນໄປ. ເຈົ້າຮູ້ວ່າມັນເປັນແນວໃດ.

ຄວາມສ່ຽງ ແລະ ອຸປະສັກ - ເພາະວ່າຊີວິດຈິງມັນວຸ້ນວາຍ 🛑

• ອະຄະຕິ ແລະ ຄວາມເປັນຕົວແທນ - ສະພາບການທີ່ບໍ່ໄດ້ຮັບການເປັນຕົວແທນພຽງພໍນຳໄປສູ່ຄວາມຜິດພາດທີ່ບໍ່ສະເໝີພາບ. ບັນທຶກ ແລະ ຕິດຕາມກວດກາ [1].

• ການຮົ່ວໄຫຼ - ລັກສະນະທີ່ປະກອບມີການກວດສອບຄວາມເປັນພິດຂອງຂໍ້ມູນໃນອະນາຄົດໂດຍບັງເອີນ.

• ສະຫະສຳພັນທີ່ບໍ່ຖືກຕ້ອງ - ຮູບແບບຕ່າງໆຕິດກັບທາງລັດ.

• ການພໍດີເກີນໄປ - ດີຫຼາຍໃນການຝຶກຊ້ອມ, ເສົ້າໃຈໃນການຜະລິດ.

• ການປົກຄອງ - ຕິດຕາມເຊື້ອສາຍ, ການອະນຸມັດ, ແລະ ການຄວບຄຸມການເຂົ້າເຖິງ - ໜ້າເບື່ອແຕ່ມີຄວາມສຳຄັນ [1].

ຖ້າທ່ານບໍ່ຢາກອາໄສຂໍ້ມູນເພື່ອລົງຈອດເຮືອບິນ, ຢ່າອາໄສມັນເພື່ອປະຕິເສດການກູ້ຢືມ. ເວົ້າເກີນຈິງເລັກນ້ອຍ, ແຕ່ທ່ານກໍ່ເຂົ້າໃຈໄດ້.

ການສຳຫຼວດຢ່າງເລິກເຊິ່ງ: ການຄາດຄະເນສິ່ງຕ່າງໆທີ່ເຄື່ອນຍ້າຍ ⏱️

ເມື່ອຄາດຄະເນຄວາມຕ້ອງການ, ການໂຫຼດພະລັງງານ, ຫຼື ການຈະລາຈອນເວັບ, ເວລາ ແມ່ນມີຄວາມສຳຄັນ. ຄ່າຕ່າງໆແມ່ນຖືກຈັດລຽງຕາມລຳດັບ, ສະນັ້ນທ່ານຈຶ່ງເຄົາລົບໂຄງສ້າງເວລາ. ເລີ່ມຕົ້ນດ້ວຍການແຍກສ່ວນແນວໂນ້ມຕາມລະດູການ, ລອງໃຊ້ການເຮັດໃຫ້ລຽບແບບເອັກໂປເນນຊຽວ ຫຼື ເສັ້ນຖານຄອບຄົວ ARIMA, ປຽບທຽບກັບຕົ້ນໄມ້ທີ່ເພີ່ມຂຶ້ນເຊິ່ງປະກອບມີຄຸນສົມບັດທີ່ຊັກຊ້າ ແລະ ຜົນກະທົບຂອງປະຕິທິນ. ເຖິງແມ່ນວ່າເສັ້ນຖານຂະໜາດນ້ອຍ ແລະ ໄດ້ຮັບການປັບແຕ່ງຢ່າງດີກໍ່ສາມາດມີປະສິດທິພາບດີກ່ວາຮູບແບບທີ່ສະຫວ່າງເມື່ອຂໍ້ມູນມີໜ້ອຍ ຫຼື ມີສຽງລົບກວນ. ປື້ມຄູ່ມືວິສະວະກຳອະທິບາຍພື້ນຖານເຫຼົ່ານີ້ຢ່າງຊັດເຈນ [2].

ປຶ້ມຄຳສັບສັ້ນໆກ່ຽວກັບຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ 💬

• ປັນຍາປະດິດທີ່ຄາດເດົາໄດ້ແມ່ນຫຍັງ? ML ບວກກັບສະຖິຕິທີ່ຄາດຄະເນຜົນໄດ້ຮັບທີ່ອາດຈະເກີດຂຶ້ນຈາກຮູບແບບທາງປະຫວັດສາດ. ຈິດໃຈດຽວກັນກັບການວິເຄາະແບບຄາດເດົາ, ນຳໃຊ້ໃນຂະບວນການເຮັດວຽກຂອງຊອບແວ [5].

• ມັນແຕກຕ່າງຈາກ AI ທີ່ສ້າງສັນແນວໃດ? ການສ້າງ vs ການຄາດຄະເນ. ການສ້າງເນື້ອຫາໃໝ່; ການຄາດຄະເນຄວາມເປັນໄປໄດ້ ຫຼື ຄ່າ [4].

• ຂ້ອຍຕ້ອງການການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງບໍ? ບໍ່ແມ່ນສະເໝີໄປ. ກໍລະນີການນຳໃຊ້ທີ່ມີ ROI ສູງຫຼາຍກໍລະນີເຮັດວຽກຢູ່ເທິງຕົ້ນໄມ້ ຫຼື ຮູບແບບເສັ້ນຊື່. ເລີ່ມຕົ້ນງ່າຍໆ, ຈາກນັ້ນຍົກລະດັບ [3].

• ແລ້ວກົດລະບຽບ ຫຼື ຂອບການເຮັດວຽກລ่ะ? ໃຊ້ຂອບການເຮັດວຽກທີ່ເຊື່ອຖືໄດ້ສຳລັບການຄຸ້ມຄອງຄວາມສ່ຽງ ແລະ ການຄຸ້ມຄອງ - ພວກມັນເນັ້ນໜັກໃສ່ອະຄະຕິ, ການຫຼົງທາງ ແລະ ການບັນທຶກເອກະສານ [1].

ຍາວເກີນໄປ. ບໍ່ໄດ້ອ່ານ!🎯

AI ທີ່ຄາດເດົາໄດ້ບໍ່ແມ່ນເລື່ອງລຶກລັບ. ມັນແມ່ນການປະຕິບັດທີ່ມີວິໄນໃນການຮຽນຮູ້ຈາກມື້ວານເພື່ອປະຕິບັດຕົວໃຫ້ສະຫຼາດກວ່າໃນມື້ນີ້. ຖ້າທ່ານກຳລັງປະເມີນເຄື່ອງມື, ໃຫ້ເລີ່ມຕົ້ນດ້ວຍການຕັດສິນໃຈຂອງທ່ານ, ບໍ່ແມ່ນອັລກໍຣິທຶມ. ສ້າງເສັ້ນຖານທີ່ໜ້າເຊື່ອຖື, ນຳໃຊ້ບ່ອນທີ່ມັນປ່ຽນແປງພຶດຕິກຳ, ແລະວັດແທກຢ່າງບໍ່ຢຸດຢັ້ງ. ແລະຈື່ໄວ້ວ່າ - ຮູບແບບມີອາຍຸຄືນົມ, ບໍ່ແມ່ນເຫຼົ້າແວງ - ສະນັ້ນວາງແຜນການຕິດຕາມກວດກາ ແລະ ການຝຶກອົບຮົມຄືນໃໝ່. ຄວາມຖ່ອມຕົວເລັກນ້ອຍໄປໄດ້ໄກ.

ເອກະສານອ້າງອີງ

1. NIST - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານປັນຍາປະດິດ (AI RMF 1.0). ລິ້ງ

2. NIST ITL - ປື້ມຄູ່ມືສະຖິຕິວິສະວະກຳ: ການແນະນຳກ່ຽວກັບການວິເຄາະຊຸດເວລາ. ລິ້ງ

3. scikit-learn - ຄູ່ມືຜູ້ໃຊ້ການຮຽນຮູ້ແບບມີການຄວບຄຸມ. ລິ້ງ

4. NIST - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI: ໂປຣໄຟລ໌ AI ທີ່ສ້າງສັນ. ລິ້ງ

5. INFORMS - ການຄົ້ນຄວ້າ ແລະ ການວິເຄາະການດຳເນີນງານ (ພາບລວມຂອງການວິເຄາະປະເພດຕ່າງໆ). ລິ້ງ

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ