تکنیک‌های پیش‌بینی هوش مصنوعی: نحوه عملکرد، مدل‌ها و چالش‌ها

یکی از باورنکردنی‌ترین داستان‌های موفقیت در پیش‌بینی هوش مصنوعی از Target، غول خرده‌فروشی مستقر در مینیاپولیس است.

در سال 2002، زمانی که تارگت آماردان اندرو پول را استخدام کرد، درآمد تارگت 44 میلیارد دلار بود. تا سال 2010، درآمد آن به 67 میلیارد دلار افزایش یافت. Target با استفاده از داده‌های مشتری برای پیش‌بینی رفتار خرید و گوشه‌کردن بازار کودک سوار به این هدف دست یافت.

خوشبختانه، بیش از یک دهه از سال 2010 می گذرد، و دموکراتیزه شدن هوش مصنوعی به این معنی است که همه ما می توانیم نیازهای مشتری را پیش بینی کنیم، یک پایگاه هواداران وفادار بسازیم، و رشد درآمد را افزایش دهیم. این قدرت پیش‌بینی هوش مصنوعی است، و در این مقاله، نحوه عملکرد آن را به شما نشان خواهم داد.

فهرست محتوا

بالاخره، بزرگترین مزیت هوش مصنوعی توانایی آن در پردازش مجموعه داده های بزرگ و پیچیده – چه ساختار یافته و چه بدون ساختار – و ارائه نتایج دقیق است. داده های ساختاریافته مانند تاریخ ها و اعداد کمی هستند. داده‌های بدون ساختار مانند تصاویر کیفی، ذهنی و تفسیری هستند.

در پیش‌بینی، هوش مصنوعی این مجموعه داده‌ها را از طریق الگوریتم‌ها اجرا می‌کند و نقاط را به هم متصل می‌کند تا الگوهایی را نشان دهد که به کسب‌وکارها کمک می‌کند رقابتی بمانند.

تکنیک های پیش بینی هوش مصنوعی در زمینه هایی مانند اتوماسیون مدیریت نیروی کار دارای مزایایی هستند. طبق McKinsey، شرکت‌های مخابرات، برق، گاز و مراقبت‌های بهداشتی می‌توانند با استفاده از موتورهای پیش‌بینی هوش مصنوعی 10 تا 15 درصد کاهش هزینه داشته باشند. برای خودکار کردن 50٪ از وظایف مدیریت نیروی کار.

نتیجه، که توسط رونالد اشملزر تکرار شد. میزبان پادکست AI Today، این است که پیش‌بینی هوش مصنوعی به کسب‌وکارها کمک می‌کند تصمیمات بهتری بگیرند. کاتلین والچ، میزبان مشترک رونالد، موافقت می‌کند و اضافه می‌کند که هوش مصنوعی می تواند عملکرد محصول را پیش بینی کند و قیمت بهینه را پیشنهاد کند.

قدرت پیش‌بینی هوش مصنوعی به این معناست که کسب‌وکارها می‌توانند پاسخ‌های دقیقی برای سؤالات مهم دریافت کنند. به سوالاتی مانند:

فکر کنید

• ارقام پیش‌بینی فروش ما در سه‌ماهه آینده چگونه خواهد بود؟
• چگونه می توانیم زنجیره تامین خود را برای انطباق با تقاضای متغیر بهینه کنیم؟
• از چه روندهای آینده در اولویت های مشتری باید آگاه باشیم؟
• ما با چه خطرات احتمالی روبرو هستیم و چگونه می توانیم آنها را برطرف کنیم؟

پیش‌بینی هوش مصنوعی چگونه کار می‌کند؟

پیش‌بینی هوش مصنوعی برای صنایعی با محصولات معتبر و داده‌های تاریخی فراوان ایده‌آل است. هر دو متغیر، پیش بینی های دقیق را برای مدل های هوش مصنوعی آسان می کنند. فرایند پیش‌بینی معمولاً شامل چهار مرحله کلیدی است.

در اینجا نحوه کار این است.

مرحله 1: جمع آوری و پردازش داده ها

کسب و کارها می‌توانند داده‌ها را جمع‌آوری کرده و به ابزارهای پیش‌بینی هوش مصنوعیCRM، ERP، ابزارهای تجزیه و تحلیل وب، پلتفرم های رسانه های اجتماعی، دستگاه‌های اینترنت اشیا و غیره. بسته به صنعت خود، ممکن است لازم باشد عوامل خارجی را در نظر بگیرید که می‌توانند به‌طور قابل‌توجهی بر دقت پیش‌بینی‌ها و نتایج کسب‌وکار شما تأثیر بگذارند.

پس از جمع‌آوری داده‌ها، باید آن را تمیز کنید. این به معنای عادی سازی مقادیر، حذف موارد تکراری و به کارگیری تکنیک هایی مانند هموارسازی و تشخیص نقاط پرت است. در حالی که برخی از ابزارهای هوش مصنوعی می توانند به طور خودکار این کار را انجام دهند، من به شما توصیه می کنم که از یک تحلیلگر انسانی بخواهید که داده های پردازش شده را بررسی کند. یک اسکن سریع می‌تواند خطاهایی را که می‌تواند منجر به پیش‌بینی‌های گمراه‌کننده شود، پیدا کند.

مرحله 2: انتخاب مدل و آموزش

هنگامی که داده‌های تمیز و ساختار یافته دارید، باید مدل مناسب پیش‌بینی هوش مصنوعی را برای استفاده انتخاب کنید. این بستگی به نوع داده شما و پیش‌بینی هدف شما دارد – خواه مقوله‌ای باشد یا عددی.

همچنین باید اهداف پیش بینی خود را با تصمیم گیری در مورد پیش بینی های کوتاه مدت یا بلند مدت ارزیابی کنید. برای مثال، ARIMA (AutoRegressive Integrated Moving Average) ساده‌تر است و ممکن است برای پیش‌بینی‌های کوتاه‌تر بهتر عمل می‌کند، و LSTM (حافظه کوتاه‌مدت بلندمدت) پیچیده است و می‌تواند روابط پیچیده را مدیریت کند.

هنگامی که مدلی را انتخاب کردید، آن را با داده های تاریخی تغذیه کنید تا آن را آموزش دهید. این فرآیند به مدل کمک می کند تا الگوها و روابط را یاد بگیرد و خطاها را برای پیش بینی های دقیق به حداقل برساند.

مرحله 3: پیش بینی

در این مرحله، مدل هوش مصنوعی داده‌های جدیدی مانند آخرین آمار فروش یا بینش رفتار مشتری را دریافت می‌کند. سپس این مدل بر اساس الگوهایی که در طول آموزش آموخته است، پیش‌بینی می‌کند. برای مثال، ممکن است با استفاده از داده‌های فروش Q3 برای پیش‌بینی فروش برای Q4 آموزش ببیند.

نرم افزار پیش بینی امتیازدهی سرنخ HubSpot نمونه خوبی از ابزار دقیق پیش بینی هوش مصنوعی است. این داده های تاریخی و فعلی بی شماری را برای شناسایی بهترین سرنخ ها تجزیه و تحلیل می کند. همچنین، با گذشت زمان هوشمندتر می‌شود و به تیم‌های فروش کمک می‌کند رفتار مشتری را پیش‌بینی کنند و تصمیم‌های مبتنی بر داده را بگیرند.

مرحله 4: ارزیابی و تصمیم گیری

این مرحله دقت و قابلیت اطمینان مدل پیش‌بینی را ارزیابی می‌کند. پس از یک رویداد، پیش‌بینی‌های مدل را با نتایج واقعی مقایسه می‌کنید.

برای اندازه‌گیری دقت، پیشنهاد می‌کنم از معیارهایی مانند:

استفاده کنید

• میانگین درصد خطای مطلق (MAPE)، که دقت را به صورت درصد نشان می دهد.
• خطای میانگین مربعات ریشه (RMSE)، که خطا را در واحدهای داده اصلی نشان می دهد.

تجسم‌هایی مانند نمودارهای سری زمانی یا نمودارهای باقی‌مانده نیز می‌توانند به شما در مقایسه مقادیر پیش‌بینی‌شده با نتایج واقعی کمک کنند و تشخیص سوگیری‌ها را آسان‌تر می‌کنند. سپس می توانید از این نتایج برای اصلاح مدل پیش بینی خود استفاده کنید. این ممکن است شامل تنظیم پارامترها، انتخاب ویژگی‌های مختلف یا انتخاب مدل پیش‌بینی هوش مصنوعی دیگری باشد.

پیش‌بینی هوش مصنوعی در مقابل روش‌های سنتی

روش‌های پیش‌بینی سنتی از داده‌های نظرسنجی‌ها و بینش‌های مصرف‌کننده همراه با قضاوت متخصص و فرمول‌های ریاضی برای بهبود دقت پیش‌بینی‌های تجاری استفاده می‌کردند.

با این حال، روش‌های سنتی بر داده‌های تاریخی متکی بودند و اغلب تغییرات ناگهانی بازار را از دست می‌دادند. به علاوه، جمع‌آوری بینش مصرف‌کننده زمان‌بر و پرهزینه است و تعصبات انسانی اغلب بر پیش‌بینی‌ها تأثیر می‌گذارد. این نقاط ضعف در پیش‌بینی سنتی جایی است که هوش مصنوعی می‌درخشد.

با هوش مصنوعی، کسب‌وکار شما می‌تواند پیش‌بینی‌های سریع و دقیقی را با استفاده از داده‌های تاریخی و بی‌درنگ انجام دهد. من معتقدم پیش‌بینی هوش مصنوعی آینده است زیرا خودکار، مقرون‌به‌صرفه و مقیاس‌پذیر است و به تیم‌ها اجازه می‌دهد مجموعه‌های داده بزرگ را تجزیه و تحلیل کنند و الگوهای پیچیده را به سرعت کشف کنند.

تکنیک‌ها یا مدل‌های پیش‌بینی هوش مصنوعی

شبکه های عصبی

شبکه‌های عصبی مدل‌های پیش‌بینی هوش مصنوعی هستند که برای تقلید از روش‌های ما طراحی شده‌اند. مغز کار می کند آنها شامل گره های به هم پیوسته یا نورون هایی هستند که در لایه هایی سازماندهی شده اند:

• یک لایه ورودی برای دریافت داده.
• یک یا چند لایه پنهان برای پردازش.
• یک لایه خروجی برای ایجاد پیش‌بینی یا طبقه‌بندی.

این مدل مانند یک سیستم کامپیوتری اولیه عمل می کند. لایه ورودی داده های مربوطه را می گیرد، مانند ارقام فروش تاریخی یا جمعیت شناسی مشتری. این داده ها از طریق لایه های پنهان حرکت می کنند، جایی که نورون ها تبدیل های ریاضی را اعمال می کنند. در نهایت، لایه خروجی نتایج را تولید می‌کند، چه یک مقدار عددی واحد یا یک دسته برای طبقه‌بندی.

نمونه ای از شبکه عصبی

فرض کنید یک شرکت خرده‌فروشی می‌خواهد پیش‌بینی تقاضای محصول را دقیق انجام دهد برای بهبود مدیریت موجودی خود اگر تصمیم دارند از حالت پیش‌بینی هوش مصنوعی شبکه‌های عصبی استفاده کنند، ابتدا باید داده‌های فروش تاریخی، از جمله فروش بر اساس تاریخ، رویدادهای تبلیغاتی، روندهای فصلی و عوامل خارجی مانند تعطیلات را جمع‌آوری کنند.

در مرحله بعد، آنها این داده ها را برای اطمینان از صحت پاک می کنند. سپس، داده های ورودی به مدل می روند، جایی که هر نورون در لایه ورودی، اطلاعاتی را برای پردازش به هر یک از لایه های پنهان ارسال می کند. پس از آموزش، شبکه عصبی از داده های جدید، معمولاً در مورد تبلیغات و روندهای اخیر فروش، برای پیش بینی تقاضای آینده استفاده می کند. این پیش‌بینی‌ها به شرکت کمک می‌کند تا سطوح موجودی را برای پاسخگویی مؤثر به تقاضای مشتری تنظیم کند.

ماشین‌های بردار پشتیبانی (SVM)

این تکنیک پیش‌بینی هوش مصنوعی بین دو دسته داده، مانند پیش‌بینی پاسخ‌های بله یا خیر، تمایز قائل می‌شود. مدل SVM برای کارهایی مانند تجزیه و تحلیل احساسات رایج است و تشخیص هرزنامه.

با داده های تمیز در مدل SVM، فرمول های ریاضی ورودی را به دو گروه تقسیم می کنند. سپس این مدل ویژگی‌های کلیدی هر دسته را شناسایی می‌کند و یک خط تقسیم بین آنها ایجاد می‌کند که hyperplane نامیده می‌شود. با استفاده از این مرز، SVM می تواند داده های جدید را تجزیه و تحلیل کند و بر اساس ویژگی های آن تعیین کند که در کدام یک از دو دسته قرار می گیرد.

نمونه ای از مدل SVM

یک مؤسسه مالی می‌خواهد با پیش‌بینی تراکنش‌های جعلی کارت اعتباری از ضرر مشتری جلوگیری کند. بانک داده‌های تراکنش تاریخی مانند مبالغ تراکنش، مکان‌ها، دسته‌های تاجر و نمایه‌های کاربر را جمع‌آوری، پاکسازی و در مدل درج می‌کند.

سپس این مدل از فرمول‌های ریاضی برای شناسایی ویژگی‌های کلیدی استفاده می‌کند و داده‌ها را به دو دسته تقسیم می‌کند: جعلی و غیر متقلبان. این یک خط تقسیم ایجاد می کند و فاصله بین این دو دسته را برای کاهش نویز به حداکثر می رساند. هنگامی که بانک داده‌های تراکنش جدیدی را وارد می‌کند، مدل ویژگی‌های آن را با ویژگی‌های هر دسته مقایسه می‌کند تا تشخیص دهد که آیا تقلبی است یا خیر. این به مؤسسه اجازه می‌دهد تراکنش‌های مشکوک را علامت‌گذاری کند و امنیت آن را افزایش داده و زیان‌ها را به حداقل برساند.

حافظه کوتاه مدت بلند مدت (LSTM)

مدل LSTM اطلاعات را از توالی های طولانی یاد می گیرد و به خاطر می آورد داده ها این مدل متناسب با پیش‌بینی‌هایی است که بر زمینه تکیه می‌کنند زیرا ساختار آن سلول‌های حافظه خود را حفظ کرده و به‌طور خودکار به‌روزرسانی می‌کند.

نمونه ای از مدل LSTM

فرض کنید من یک شرکت تولیدی را اداره می‌کنم که با خرابی‌های برنامه‌ریزی نشده دستگاه مواجه می‌شود و در نتیجه درآمد از دست می‌رود. با مدل LSTM، می توانم برنامه های تعمیر و نگهداری را پیش بینی کنم و احتمال خرابی دستگاه را کاهش دهم.

برای شروع، داده‌های عملکرد همه ماشین‌ها را جمع‌آوری می‌کنم، از جمله ساعات کار، دما، و سطوح ارتعاش. در مرحله بعد، تیم من این داده ها را به مدل LSTM وارد می کند، که سپس الگوها را کشف می کند و رویدادهایی را که قبل از خرابی ماشین رخ داده اند شناسایی می کند. به عنوان مثال، مدل ممکن است متوجه شود که ارتعاشات زیاد همراه با ساعات طولانی عملیات، نشانه خرابی آینده است.

پس از آموزش، این مدل داده‌های بلادرنگ را تجزیه و تحلیل می‌کند و به دقت پیش‌بینی می‌کند که یک ماشین چه زمانی به تعمیر و نگهداری نیاز دارد. این فعال بودن زمان خرابی را کاهش می دهد، هزینه های تعمیر و نگهداری را کاهش می دهد و کارایی کلی را بهبود می بخشد.

درخت تصمیم

به این مدل پیش‌بینی هوش مصنوعی مانند یک درخت فکر کنید. هر گره داخلی (نقطه ای که شاخه های جدید از آنجا منشاء می گیرند) یک ویژگی داده را نشان می دهد. هر شاخه نشان دهنده قوانین تصمیم گیری است و برگ ها نتایج احتمالی را نشان می دهند.

درخت تصمیم داده‌های ورودی را با استفاده از روش‌هایی مانند ناخالصی جینی، آنتروپی یا میانگین مربعات خطا (MSE) برای رگرسیون. گره ها و شاخه های خود را تا زمانی که هر ویژگی به یک نتیجه برسد، تقسیم می کند.

وقتی داده‌های آزمایشی را در مدل وارد می‌کنیم، مدل داده‌ها را به ویژگی‌ها تقسیم می‌کند و آنها را با ویژگی‌هایی که در درخت دارد مقایسه می‌کند. سپس این ویژگی ها را تا رسیدن به نتیجه ردیابی می کند و آن را به عنوان پیش بینی نهایی خود اعلام می کند.

نمونه ای از مدل درخت تصمیم

شرکتی با تعداد زیادی کارمند می خواهد عملکرد را ارزیابی کند تا افراد مناسب برای ارتقاء یا آموزش را شناسایی کند.

تیم منابع انسانی می‌تواند داده‌های کارمند را در مدل وارد کند و یک پیش‌بینی هدف تعیین کند – به عنوان مثال، رتبه‌بندی عملکرد (بالا، متوسط ​​یا پایین). درخت تصمیم داده ها را به ویژگی هایی مانند سال ها تجربه، سطح تحصیلات، بخش و سوابق حضور و غیاب تقسیم می کند و آنها را با پیش بینی هدف مقایسه می کند.

همانطور که درخت توسعه می‌یابد، مدل کارکنانی را شناسایی می‌کند که هدف را برآورده می‌کنند. همچنین ممکن است الگویی پیدا کند که کارمندان قبلا ارتقا یافته را به هم مرتبط کند، مانند سطوح تحصیلات عالی و سالها تجربه بیشتر در یک بخش خاص، شرکت در یک برنامه آموزشی خاص، و غیره. با این پیش بینی ها، منابع انسانی تصمیمات آگاهانه ای در مورد ترفیع، آموزش و … می گیرد. مدیریت استعداد.

جنگل تصادفی

مدل جنگل تصادفی چندین درخت تصمیم را برای پیش‌بینی دقیق‌تر ترکیب می‌کند. بر خلاف مدل درخت تصمیم، که در آن هر گره داخلی دارای یک زیرمجموعه داده متفاوت است، در جنگل تصادفی، ما هر درخت را بر روی زیرمجموعه متفاوتی از داده ها آموزش می دهیم. این به مدل کمک می‌کند تا از یادگیری نوسانات تصادفی یا نویز از زیر مجموعه‌های مختلف که می‌تواند منجر به پیش‌بینی‌های نادرست شود، اجتناب کند.

چیزی که به نظر من بسیار جالب است این است که چگونه این روش به طور تصادفی زیرمجموعه های داده را به هر درخت تصمیم اختصاص می دهد تا اطمینان حاصل شود که درختان همه الگوهای یکسانی را نمی آموزند و تنوع را به جنگل اضافه می کند. پس از آن، مدل با جمع‌آوری پیش‌بینی‌های هر درخت، یا با میانگین‌گیری (برای مقادیر عددی) یا رای اکثریت (برای نتایج باینری یا چند گزینه‌ای) یک پیش‌بینی واحد انجام می‌دهد.

نمونه ای از مدل جنگل تصادفی

یک شرکت مخابراتی می‌خواهد با پیش‌بینی اینکه کدام مشتریان ممکن است ترک کنند، ریزش را کاهش دهد. اول، آنها داده های تاریخی در مورد رفتارهای مشتری، از جمله استفاده از خدمات، تعاملات پشتیبانی، تاریخچه صورتحساب، جمعیت شناسی، و موارد ریزش گذشته را جمع آوری می کنند. آنها همچنین شاخص‌هایی مانند تعداد تماس‌های پشتیبانی، مدت زمان تصدی مشتری و انواع پرداخت (ماهانه یا سالانه) را در نظر خواهند گرفت.

در مرحله بعد، آنها این داده ها را در مدل جنگل تصادفی وارد می کنند و هر ویژگی را به درختان مختلف برای آموزش و شناسایی الگوها اختصاص می دهد. پس از آموزش، شرکت داده های تازه را برای آزمایش درج می کند و مدل این داده ها را به درختان منتقل می کند. سپس شرکت از این بینش‌ها برای اجرای استراتژی‌های حفظ هدفمند برای کاهش ریزش استفاده می‌کند.

چالش های استفاده از هوش مصنوعی برای پیش بینی

فقدان تخصص انسانی

سازمان‌ها روی ابزارهای هوش مصنوعی پیشرفته سرمایه‌گذاری می‌کنند، اما اغلب از استخدام افراد ماهری که نحوه استفاده از آنها را می‌دانند غافل می‌شوند.

“ابزارهای پیش بینی در انجام پیش بینی ها عالی هستند. آنها در تفسیر عالی نیستند. و قطعاً در تبدیل پیش‌بینی‌ها به استراتژی‌های تجاری عملی نیست. راهول گانگولی، افسر ارشد زنجیره تامین در می گوید: شما به انسان نیاز دارید. Tricord International.

من با Gangulee موافقم و قاطعانه معتقدم که دست‌های توانا باید در همه موارد هوش مصنوعی پیشرو باشند. تیم مناسب به عنوان حفاظی عمل می کند که از صحت پیش بینی شما اطمینان می دهد.

کیفیت و در دسترس بودن داده

برای دریافت بهترین نتایج پیش‌بینی هوش مصنوعی، باید داده‌های باکیفیت و مرتبط و در دسترس داشته باشید. متأسفانه، بسیاری از کسب‌وکارها با مسائل مربوط به داده‌ها مانند نادرستی، ناسازگاری و اطلاعات از دست رفته دست و پنجه نرم می‌کنند. این امر رایج است، زیرا یافتن داده‌های بی‌درنگ و دقیق می‌تواند دشوار باشد، به‌ویژه در صنایعی که داده‌ها از منابع مختلف می‌آیند. همچنین به این معنی است که شرکت ها باید داده های خود را تمیز کرده و خطاها را بررسی کنند.

سخنان جاستین کرافت، معاون معماری متقابل راه حل ها در QueBIT، این را کاملاً خلاصه کنید: اگر مدل پیش‌بینی هوش مصنوعی شما نادرست است پیش‌بینی‌ها، احتمالاً باید داده‌هایی را که به آن تغذیه می‌کنید بررسی کنید.

پیچیدگی و تفسیرپذیری مدل

چالش دیگر؟ والش وقتی می‌گوید: «یک مدل پیش‌بینی خیلی پیچیده با یک مدل دقیق برابری نمی‌کند» این را به بهترین شکل بیان می‌کند.

من موافقم. درک نحوه عملکرد برخی از مدل هایی که در این مقاله مورد بحث قرار دادم، حتی پس از اینکه کارشناسان آنها را به زبان ساده توضیح دادند، برایم چالش برانگیز بود. من فقط می توانم تصور کنم که چگونه این مدل ها به پیش بینی های خود می رسند برای یک تحلیلگر داده چقدر سخت و زمان بر است. این پیچیدگی می تواند اعتماد به مدل را از بین ببرد و منجر به هدر رفتن منابع شود.

به کسب‌وکارها توصیه می‌کنم نیاز خود به دقت را با سادگی متعادل کنند. سازمان‌ها می‌توانند با انتخاب مدل‌های ساده‌تر از پیش‌بینی‌های واضح‌تر و آسان‌تر بهره ببرند.

استفاده از هوش مصنوعی برای پیش بینی

روش‌های پیش‌بینی هوش مصنوعی می‌تواند به شما کمک کند از رقبا جلوتر بمانید. شما می توانید با داده های تاریخی فراوان، یک تحلیلگر ماهر داده ها و یک مدل دقیق به نتایج قابل توجهی برسید.

با این حال، مهم است که از پیش‌بینی‌های ابزارهای پیش‌بینی با دقت استفاده کنید. در داستان هدف که قبلاً ذکر کردم، شرکت قبل از اینکه مشتری را به عزیزان خود بگوید، بارداری را پیش‌بینی کرد. آیا این نگرانی در مورد حریم خصوصی و استفاده از داده های شخصی ایجاد می کند؟ البته. اگرچه Target هیچ مشکلی نداشت، داستان آنها یک داستان هشداردهنده برای شرکت‌ها است تا هنگام استفاده از ابزارهای پیش‌بینی هوش مصنوعی، مسئولانه اطلاعات شخصی را مدیریت کنند.