Kapcsolatfelvétel

Gépi tanulás és előrejelzés

A nyelvi modellek viszik a címlapokat, de sok érték továbbra is a klasszikus gépi tanulásból jön, a cég saját számain: mennyit süssünk, mennyit ér egy ingatlan, melyik ügyfél készül távozni. Ezeket a modelleket megépítjük, a saját múltbeli adataikon bizonyítjuk, mielőtt bárki rájuk alapozna, és ott futtatjuk őket, ahol a csapat már most is dolgozik.

Beszéljünk az adataikról Esettanulmány
Kakaós csiga, kedd
Most
  • Eddigi eladás
  • Előrejelzés
  • 25–75%-os sáv
  • db
Problémák
Kereslet- és értékesítés-előrejelzés, árazás és értékbecslés, osztályozás, optimalizálás, megerősítéses tanulás
Módszerek
Gradient boosting, idősormodellek, neurális hálók ott, ahol megérik
Validáció
Időalapú visszatesztelés, az üzlettel egyeztetett hibamutatók, ablációk
Magyarázat
Előrejelzésenkénti magyarázat, hogy látszódjon, miért döntött így a modell
Üzemeltetés
Ütemezett újratanítás, adateltolódás-figyelés, modellnyilvántartás

Ahol megtérül

  • Romlandó készlet. Pékségek, friss élelmiszer, minden, ahol a selejt és az üres polc is pénzbe kerül.
  • Árazás és értékbecslés. Ingatlan, használt áru, árajánlatok: következetes becslés magyarázattal, nagy tételben.
  • Tervezés. Létszám-, gyártás- és beszerzéstervezés előrejelzés alapján, nem a tavalyi szám plusz egy tipp alapján.

Kell hozzá múltbeli adat: szezonális folyamatoknál jellemzően legalább egy év, és egy világos döntés, amelyen az előrejelzés változtatni fog.

Az adattól a döntésig

Az az előrejelzés, amely alapján senki sem cselekszik, csak egy kimutatás. Visszafelé tervezünk a döntésből: ki mit fog másként csinálni, és mikor.

  1. 1 Adat Értékesítés, árak, naptár, időjárás, helyszín: összekapcsolva és megtisztítva
  2. 2 Modell Kihagyott időszakokon tanítva és visszatesztelve, bizonytalansági sávval
  3. 3 Döntés Cselekvéssé alakítva: sütési lista, ár, rendelési mennyiség
  4. 4 Visszacsatolás A tényadatok visszaáramlanak, a pontosságot és az eltolódást követjük

Amit kapnak

  • Visszatesztelési jelentés

    Hogyan teljesített volna a modell olyan múltbeli időszakokon, amelyeket sosem látott, a csapat számára értelmes mértékegységben.

  • Éles modell

    Szolgáltatás vagy ütemezett feladat, amely a rendszereiket táplálja, beépített újratanítással.

  • Magyarázatok

    Miért lett egy előrejelzés olyan, amilyen, ahol a döntéshez ez kell.

  • Monitorozás

    Pontosság a tényadatokhoz képest és adateltolódás-figyelés, riasztással.

  • Felületek

    Egyszerű képernyő, riport vagy API, ott, ahol a döntés születik.

  • Dokumentáció

    Jellemzők, feltételezések és ismert korlátok, a következő mérnöknek megírva.

Éles üzemben

Valós döntéseken mérve.

Pékségi kereslet-előrejelzés nagyjából egy darab hibával 30 perces távon, tízpercenkénti frissítéssel. Ingatlanértékelő és bérleti díj modellek, friss hirdetéseken mért medián százalékos hibával, minden jellemzőcsoport hozzájárulását ablációval tesztelve.

Kérdések

Excelben vannak az adataink. Ez elég?

Kezdetnek gyakran igen. A lényeg a múltbeli adat, a következetesség és egy világos célváltozó. Ezt az első héten ellenőrizzük.

Nyelvi modellel jeleznek előre?

Magára az előrejelzésre ritkán: a gradient boosting és az idősormodellek általában pontosabbak és sokkal olcsóbbak. A nyelvi modellek körülötte segítenek, eredményeket magyaráznak, strukturálatlan bemenetet olvasnak, riportot írnak.

Honnan tudjuk, hogy jó a modell?

Megállapodunk egy mutatóban, amely illik a döntéshez, majd olyan időszakokon teszteljük vissza, amelyeket a modell sosem látott. Élesítés előtt a saját mértékegységükben látják a hibát.

Megerősítéses tanulással is foglalkoznak?

Ha a döntések egymásra épülnek, és a környezet szimulálható, például fedezésnél vagy készletgazdálkodásnál. Két évet dolgoztunk megerősítéses tanuláson opciók fedezésére, és ismerjük a buktatóit, különösen a visszateszteléshez való túlillesztést.