ਲਾਭ:
- ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ (ਮੂਵਿੰਗ ਔਸਤ, ਘਾਤਕ ਸਮੂਥਿੰਗ, ਮੌਸਮੀਤਾ)
- AI ਨਾਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਅਤੇ MAPE/MAE ਵਰਗੀਆਂ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਵਪਾਰਕ ਸੰਦਰਭ ਅਤੇ ਪ੍ਰਚਾਰਕ/ਮੌਸਮੀ ਪ੍ਰਭਾਵਾਂ ਦੇ ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਆਉਟਪੁੱਟ ਦੀ ਕਰਾਸ-ਚੈੱਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਉਹ ਅਧਾਰ ਹੈ ਜਿਸ 'ਤੇ ਉਤਪਾਦਨ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਵਸਤੂ ਪ੍ਰਬੰਧਨ ਅਤੇ ਪੂਰੀ ਸਪਲਾਈ ਲੜੀ ਅਧਾਰਤ ਹੈ। ਗਲਤ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੋਨਾਂ ਤਰੀਕਿਆਂ ਨਾਲ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ: ਬਹੁਤ ਜ਼ਿਆਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਵਸਤੂਆਂ ਦੀ ਲਾਗਤ ਅਤੇ ਬਰਬਾਦੀ ਬਣਾਉਂਦਾ ਹੈ, ਘੱਟ ਅਨੁਮਾਨ ਲਗਾਉਣ ਨਾਲ ਵਿਕਰੀ ਗੁਆਚ ਜਾਂਦੀ ਹੈ ਅਤੇ ਗਾਹਕ ਅਸੰਤੁਸ਼ਟੀ ਹੁੰਦੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਕਈ ਥਾਵਾਂ 'ਤੇ ਮਦਦ ਕਰਦੀ ਹੈ, ਇੱਕ ਢੰਗ ਚੁਣਨ ਤੋਂ ਲੈ ਕੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਬਣਾਉਣ ਤੱਕ; ਪਰ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ "ਮੈਜਿਕ ਕ੍ਰਿਸਟਲ ਬਾਲ" ਵਜੋਂ ਦੇਖਣਾ ਸਭ ਤੋਂ ਵੱਡੀ ਗਲਤੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਲਾਸੀਕਲ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ, ਉਹਨਾਂ ਨੂੰ AI ਨਾਲ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ, ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਿਆ ਜਾਵੇ।
ਪੂਰਵ ਅਨੁਮਾਨ ਤਰੀਕਿਆਂ ਦਾ ਸੰਖੇਪ ਨਕਸ਼ਾ
ਮੰਗਾਂ ਦੀ ਹਰ ਲੜੀ ਇੱਕੋ ਜਿਹੀ ਨਹੀਂ ਹੁੰਦੀ; ਕੁਝ ਫਲੈਟ ਹਨ, ਕੁਝ ਰੁਝਾਨ ਹਨ, ਕੁਝ ਮੌਸਮੀ ਹਨ। ਇਹ ਲੜੀ ਦੇ ਅਨੁਸਾਰ ਢੰਗ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ.
ਵਿਧੀ
ਇਹ ਕਦੋਂ ਢੁਕਵਾਂ ਹੈ?
ਧਿਆਨ
ਭੋਲਾ (ਆਖਰੀ ਮੁੱਲ)
ਤੁਲਨਾ ਲਈ (ਬੈਂਚਮਾਰਕ)
ਰੁਝਾਨ/ਸੀਜ਼ਨ ਦੀ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦਾ
ਮੂਵਿੰਗ ਔਸਤ
ਸਥਿਰ, ਰੌਲੇ-ਰੱਪੇ ਵਾਲੀ ਲੜੀ
ਰੁਝਾਨ 'ਤੇ ਦੇਰ ਨਾਲ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦਾ ਹੈ
ਐਕਸਪੋਨੈਂਸ਼ੀਅਲ ਸਮੂਥਿੰਗ (SES)
ਸਟੇਸ਼ਨਰੀ ਲੜੀ, ਨੇੜਲੇ ਡੇਟਾ 'ਤੇ ਜ਼ੋਰ
ਚੰਗਾ ਹੈ ਜੇਕਰ ਕੋਈ ਰੁਝਾਨ ਨਹੀਂ ਹੈ
ਹੋਲਟ (ਡਬਲ ਐਕਸਪੋਨੈਂਸ਼ੀਅਲ)
ਟਰੈਡੀ ਲੜੀ
ਸੀਜ਼ਨ ਨਹੀਂ ਫੜਦਾ
ਹੋਲਟ-ਸਰਦੀਆਂ
ਰੁਝਾਨ + ਮੌਸਮੀ
ਕਾਫ਼ੀ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ
ਰਿਗਰੈਸ਼ਨ/ਐਮ.ਐਲ
ਬਹੁ-ਪਰਿਵਰਤਨਸ਼ੀਲ, ਤਰੱਕੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ
ਓਵਰਫਿਟ ਦਾ ਜੋਖਮ
ਸੰਕੇਤ: ਹਮੇਸ਼ਾ ਇੱਕ "ਭੋਲੇ" ਅੰਦਾਜ਼ੇ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। ਜੇ ਤੁਹਾਡਾ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਭੋਲੇ-ਭਾਲੇ ਅੰਦਾਜ਼ੇ ਨਾਲੋਂ ਬਿਹਤਰ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਚੁੱਕਣ ਦੇ ਯੋਗ ਨਹੀਂ ਹੈ. ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣ ਲਈ ਭੋਲਾਪਣ ਇੱਕ ਮੁਫਤ ਬੈਂਚਮਾਰਕ ਹੈ।
ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਦੇ ਹਾਂ? (ਮੈਟ੍ਰਿਕਸ)
ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣ ਤੋਂ ਬਿਨਾਂ ਸੁਧਾਰਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। ਸਭ ਤੋਂ ਆਮ ਮਾਪਦੰਡ:
- MAE (ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ): ਗਲਤੀਆਂ ਦੇ ਸੰਪੂਰਨ ਮੁੱਲ ਦੀ ਔਸਤ। ਯੂਨਿਟ ਡਿਮਾਂਡ ਯੂਨਿਟ ਦੇ ਸਮਾਨ ਹੈ।
- RMSE (ਰੂਟ ਮੀਨ ਵਰਗ ਗਲਤੀ): ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਹੋਰ ਸਜ਼ਾ ਦਿੰਦਾ ਹੈ।
- MAPE (ਔਸਤਨ ਸੰਪੂਰਨ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ): ਪ੍ਰਤੀਸ਼ਤ ਵਿੱਚ; ਆਈਟਮਾਂ ਵਿਚਕਾਰ ਤੁਲਨਾ ਲਈ ਵਧੀਆ, ਪਰ ਜਦੋਂ ਮੰਗ ਸਿਫ਼ਰ ਦੇ ਨੇੜੇ ਹੋਵੇ ਤਾਂ ਵਿਗਾੜਿਆ ਜਾਂਦਾ ਹੈ।
- ਪੱਖਪਾਤ: ਔਸਤ ਗਲਤੀ; ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੀ ਤੁਸੀਂ ਲਗਾਤਾਰ ਵੱਧ/ਘੱਟ ਸਮਝਦੇ ਹੋ।
ਇੱਕ ਛੋਟਾ ਨਮੂਨਾ ਖਾਤਾ। ਮੰਨ ਲਓ ਅਸਲ ਮੰਗ [100, 120, 90], ਪੂਰਵ ਅਨੁਮਾਨ [110, 115, 100]:
ਤਰੁੱਟੀਆਂ (ਅਸਲ - ਪੂਰਵ-ਅਨੁਮਾਨ): -10, +5, -10 ਸੰਪੂਰਨ ਤਰੁਟੀਆਂ: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 ਪ੍ਰਤੀਸ਼ਤ ਤਰੁਟੀਆਂ: 10/100, 5/120, 10/90 = 10%, 17%, +17% (10%, +14MA) 4.17 + 11.11) / 3 ≈ 8.43% ਬਿਆਸ = (-10 + 5 - 10) / 3 = -5 → ਔਸਤਨ ਵੱਧ ਅਨੁਮਾਨ (ਭਵਿੱਖਬਾਣੀ > ਅਸਲ)
ਇੱਕ ਨਕਾਰਾਤਮਕ ਪੱਖਪਾਤ (ਸੱਚਾ ਘਟਾਓ ਅਨੁਮਾਨ) ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅੰਦਾਜ਼ਾ ਲਗਾਤਾਰ ਵੱਧ ਗਿਆ ਹੈ; ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਵਸਤੂਆਂ ਦੀ ਮਹਿੰਗਾਈ। ਅਜਿਹੀਆਂ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਗਲਤੀਆਂ ਨੂੰ MAPE ਵਿੱਚ ਛੁਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਸਲਈ ਉਹਨਾਂ ਨੂੰ ਇਕੱਠੇ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।
AI ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਣਾਉਣਾ
ਤੁਸੀਂ AI ਦੀ ਵਰਤੋਂ ਦੋ ਥਾਵਾਂ 'ਤੇ ਸਭ ਤੋਂ ਵੱਧ ਕੁਸ਼ਲਤਾ ਨਾਲ ਕਰ ਸਕਦੇ ਹੋ: (1) ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਲਈ ਅਤੇ ਉਚਿਤ ਢੰਗ ਅਤੇ ਕਾਰਵਾਈਆਂ ਦਾ ਸੁਝਾਅ ਦੇਣ ਲਈ, ਅਤੇ (2) ਭਵਿੱਖਬਾਣੀ ਕੋਡ ਬਣਾਉਣ ਲਈ। ਵਿਧੀ ਸੁਝਾਅ ਲਈ:
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਹੋ ਜੋ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਅਨੁਭਵ ਕੀਤਾ ਹੈ। ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੀ ਮਾਸਿਕ ਵਿਕਰੀ ਲੜੀ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਉਚਿਤ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿਧੀ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੋ। ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਕੋਈ ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਹੈ, ਆਪਣੀ ਜਾਇਜ਼ਤਾ ਲਿਖੋ. ਡੇਟਾ (ਮਾਸਿਕ, ਪਿਛਲੇ 24 ਮਹੀਨੇ): {{ ਮੁੱਲ }}ਵਾਧੂ ਜਾਣਕਾਰੀ: ਦਸੰਬਰ ਵਿੱਚ ਇੱਕ ਤਰੱਕੀ ਹੁੰਦੀ ਹੈ, ਗਰਮੀਆਂ ਦੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਮੰਗ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਜੋ ਮੈਂ ਚਾਹੁੰਦਾ ਹਾਂ: 1. ਲੜੀ ਦੇ ਚਰਿੱਤਰ 'ਤੇ ਟਿੱਪਣੀ (ਸਥਿਰ/ਰੁਝਾਨ/ਮੌਸਮੀ)।2। 2 ਸਿਫਾਰਸ਼ ਕੀਤੇ ਤਰੀਕੇ ਅਤੇ ਕਿਉਂ।3. ਮੈਨੂੰ ਕਿਹੜੀ ਸ਼ੁੱਧਤਾ ਮੈਟ੍ਰਿਕ ਟ੍ਰੈਕ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ? 4. ਨੁਕਸਾਨ ਜਿਨ੍ਹਾਂ ਲਈ ਮੈਨੂੰ ਧਿਆਨ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ (ਬਾਹਰਲੇ, ਪ੍ਰਚਾਰ ਪ੍ਰਭਾਵ)। ਨਿਯਮ: ਡੇਟਾ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਪੂਰਨ ਸ਼ੁੱਧਤਾ ਦਾ ਵਾਅਦਾ ਨਾ ਕਰੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਂ ਅਗਲੇ ਮਹੀਨੇ ਕਿੰਨਾ ਵੇਚਾਂਗਾ?
ਇਸ ਵਿੱਚ ਨਾ ਤਾਂ ਡੇਟਾ ਹੈ ਅਤੇ ਨਾ ਹੀ ਸੰਦਰਭ; AI ਜਾਂ ਤਾਂ ਇਸਨੂੰ ਅਸਵੀਕਾਰ ਕਰਦਾ ਹੈ ਜਾਂ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਣਿਆ ਨੰਬਰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਅਜਿਹਾ ਆਉਟਪੁੱਟ ਖ਼ਤਰਨਾਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਭਰੋਸੇਯੋਗ ਜਾਪਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਇਸ 24 ਮਹੀਨਿਆਂ ਦੀ ਲੜੀ ਦੇ ਨਾਲ ਹੋਲਟ-ਵਿੰਟਰਜ਼ ਤਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਗਲੇ 3 ਮਹੀਨਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਸੀਜ਼ਨ ਦੀ ਲੰਬਾਈ 12 ਹੈ। ਪਹਿਲਾਂ ਵਿਧੀ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਲਿਖੋ, ਫਿਰ ਪੂਰਵ ਅਨੁਮਾਨ ਦਿਓ, ਫਿਰ ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਦੀ ਬੈਕਟੈਸਟ ਕਰਕੇ MAPE ਦੀ ਗਣਨਾ ਕਰੋ। ਤਰੱਕੀ ਦੇ ਮਹੀਨਿਆਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਡੇਟਾ: {{ ... }}
ਦੂਸਰਾ ਪ੍ਰੋਂਪਟ ਪੂਰਵ-ਅਨੁਮਾਨ ਅਤੇ ਉਸ ਪੂਰਵ-ਅਨੁਮਾਨ (ਬੈਕਟੈਸਟਿੰਗ) 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ ਕਿੰਨੇ ਭਰੋਸੇ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ "ਓਰੇਕਲ" ਤੋਂ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇੱਕ ਮਾਪਣਯੋਗ ਟੂਲ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
ਬੈਕਟੈਸਟਿੰਗ: ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦਾ ਮਾਪ
ਭਵਿੱਖਬਾਣੀ ਦੀ ਅਸਲ ਪ੍ਰੀਖਿਆ ਅਤੀਤ ਵਿੱਚ ਹੈ, ਭਵਿੱਖ ਵਿੱਚ ਨਹੀਂ। ਤੁਸੀਂ ਆਪਣੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ ਨੂੰ ਦੋ ਵਿੱਚ ਵੰਡਦੇ ਹੋ: ਮਾਡਲ ਬਿਲਡਿੰਗ (ਰੇਲ) ਅਤੇ ਟੈਸਟਿੰਗ। ਤੁਸੀਂ ਪਹਿਲੇ ਟੁਕੜੇ ਨਾਲ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹੋ, ਅਗਲੀ ਮਿਆਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹੋ, ਅਤੇ ਇਸਦੀ ਅਸਲੀਅਤ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹੋ। ਇਹ "ਹੋਲਡ-ਆਊਟ" ਤਰਕ ਦੱਸਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ ਜਾਂ ਨਹੀਂ।
ਨਿਮਨਲਿਖਤ ਲੜੀ ਲਈ ਇੱਕ ਸਧਾਰਨ ਬੈਕਟੈਸਟ ਯੋਜਨਾ ਸੈਟ ਅਪ ਕਰੋ: ਟੈਸਟਿੰਗ ਦੇ ਤੌਰ 'ਤੇ ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਨੂੰ ਇੱਕ ਪਾਸੇ ਰੱਖੋ, ਬਾਕੀ ਬਚੇ ਡੇਟਾ ਨਾਲ 3 ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ (ਭੋਲੇ, SES, ਹੋਲਟ-ਵਿੰਟਰਜ਼) ਨੂੰ ਸਿਖਲਾਈ ਦਿਓ, ਟੈਸਟਿੰਗ ਅਵਧੀ ਦੌਰਾਨ ਹਰੇਕ ਲਈ MAPE ਅਤੇ ਪੱਖਪਾਤ ਦੀ ਗਣਨਾ ਕਰੋ, ਅਤੇ ਇੱਕ ਤੁਲਨਾ ਸਾਰਣੀ ਬਣਾਓ। ਜਿੱਤਣ ਦਾ ਤਰੀਕਾ ਅਤੇ ਤਰਕ ਲਿਖੋ।
ਸਾਵਧਾਨ ਰਹੋ: AI ਕਈ ਵਾਰ ਬੈਕਟੈਸਟ ਨਤੀਜਿਆਂ ਦੀ "ਭਵਿੱਖਬਾਣੀ" ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਇੱਕ ਤਿਆਰ ਚਾਰਟ ਦੇ ਨਾਲ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ; ਭਾਵ, ਉਹ ਉਹਨਾਂ ਸੰਖਿਆਵਾਂ ਨੂੰ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਗਣਨਾ ਕੀਤੇ ਬਿਨਾਂ ਵਾਜਬ ਜਾਪਦੇ ਹਨ। ਕੋਡ (Python/Excel) ਦੇ ਨਾਲ ਸੰਖਿਆਤਮਕ ਨਤੀਜਿਆਂ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ। ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਲੰਬੇ ਗਣਿਤ ਨੂੰ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਨਹੀਂ ਕਰਦਾ ਹੈ।
ਮਿੰਨੀ ਕੇਸ: ਮੌਸਮੀ ਉਤਪਾਦ ਦਾ ਓਵਰਸਟੌਕ
ਇੱਕ ਭੋਜਨ ਵੰਡਣ ਵਾਲੀ ਕੰਪਨੀ ਹਰ ਸਾਲ ਸਰਦੀਆਂ ਵਿੱਚ ਆਈਸਕ੍ਰੀਮ ਵਰਗੇ ਮੌਸਮੀ ਉਤਪਾਦ ਦਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਟਾਕ ਹੋਣ ਦੀ ਸ਼ਿਕਾਇਤ ਕਰਦੀ ਹੈ। ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਏਲੀਫ AI ਨੂੰ 3 ਸਾਲਾਂ ਦਾ ਮਹੀਨਾਵਾਰ ਡਾਟਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਲੜੀ ਦੇ ਚਰਿੱਤਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕਹਿੰਦਾ ਹੈ। AI ਮਜ਼ਬੂਤ ਮੌਸਮੀਤਾ (ਗਰਮੀਆਂ ਦੀ ਸਿਖਰ) ਅਤੇ ਇੱਕ ਮਾਮੂਲੀ ਸਲਾਨਾ ਵਾਧੇ ਦੇ ਰੁਝਾਨ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ, ਹੋਲਟ-ਵਿੰਟਰਸ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਏਲੀਫ ਪਾਇਥਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਬੈਕਟੈਸਟ ਕਰਦਾ ਹੈ: MAPE 14% ਹੈ, ਪਰ ਪੱਖਪਾਤ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਨਕਾਰਾਤਮਕ ਹੈ - ਮਾਡਲ ਲਗਾਤਾਰ ਓਵਰ ਪੂਰਵ ਅਨੁਮਾਨ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਉਹ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕਿਉਂ, ਉਸਨੇ ਪਾਇਆ ਕਿ ਉਸਨੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਮੁਹਿੰਮ ਦੀ ਮਿਆਦ ਨੂੰ "ਆਮ" ਸਮਝਿਆ ਅਤੇ ਮਾਡਲ ਨੂੰ ਬਹੁਤ ਉੱਚਾ ਅਧਾਰ ਸਿਖਾਇਆ। ਜਦੋਂ ਅਸੀਂ ਮੁਹਿੰਮ ਪ੍ਰਭਾਵ ਨੂੰ ਹਟਾਉਂਦੇ ਹਾਂ ਅਤੇ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਂਦੇ ਹਾਂ, ਤਾਂ ਪੱਖਪਾਤ ਘੱਟ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਰਦੀਆਂ ਦਾ ਸਟਾਕ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘੱਟ ਜਾਂਦਾ ਹੈ। ਪਾਠ: AI ਨੇ ਵਿਧੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੁਝਾਇਆ, ਪਰ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ ਅਤੇ ਪੱਖਪਾਤ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਮਨੁੱਖੀ ਕੰਮ ਸੀ।
ਆਮ ਗਲਤੀਆਂ
- ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਟਰੈਕ ਨਹੀਂ ਕਰਨਾ: ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਅਤੇ ਕਦੇ ਵੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣਾ ਨਹੀਂ। ਮਾਪ ਤੋਂ ਬਿਨਾਂ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸੁਧਾਰਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ।
- ਸਿਰਫ਼ MAPE ਨੂੰ ਦੇਖ ਰਿਹਾ ਹੈ: ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ (ਵਿਵਸਥਿਤ) ਗਲਤੀ ਚੁੱਪਚਾਪ ਵਸਤੂ ਸੂਚੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।
- ਗਣਨਾ ਲਈ AI ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਸੰਖਿਆਵਾਂ ਨੂੰ ਗਲਤ ਕਰਨਾ: ਕੋਡ ਦੇ ਨਾਲ ਬੈਕਟੈਸਟ ਅਤੇ ਮੈਟ੍ਰਿਕ ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਕਰਨਾ।
- ਆਊਟਲੀਅਰ/ਪ੍ਰਮੋਸ਼ਨ ਦੀ ਸਫਾਈ ਨਾ ਕਰਨਾ: ਇੱਕ ਵਾਰ ਦੀ ਮੁਹਿੰਮ ਨੂੰ ਇੱਕ ਆਮ ਮੰਗ ਸਮਝਣਾ ਅਤੇ ਇਸਨੂੰ ਮਾਡਲ ਨੂੰ ਸਿਖਾਉਣਾ।
- ਓਵਰਫਿਟ: ਜਦੋਂ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਅਤੀਤ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਹੁੰਦਾ ਹੈ ਪਰ ਭਵਿੱਖ ਵਿੱਚ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਸਧਾਰਨ ਮਾਡਲ ਨੂੰ ਬੈਂਚਮਾਰਕ ਵਜੋਂ ਰੱਖੋ।
ਸੰਖੇਪ ਵਿੱਚ
- ਲੜੀ ਦੇ ਚਰਿੱਤਰ (ਸਥਿਰ, ਰੁਝਾਨ, ਮੌਸਮੀ) ਦੇ ਅਨੁਸਾਰ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿਧੀ ਦੀ ਚੋਣ ਕਰੋ; ਹਮੇਸ਼ਾ ਇੱਕ ਭੋਲੇ ਨਾਲ ਆਪਣੇ ਆਪ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੋ.
- MAE/RMSE/MAPE ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੋ, ਪਰ ਪੱਖਪਾਤ ਦੀ ਨਿਗਰਾਨੀ ਵੀ ਕਰੋ: ਦਿਸ਼ਾਤਮਕ ਗਲਤੀ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਹੈ।
- ਵਿਧੀ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਅਤੇ ਕੋਡ ਬਣਾਉਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ; ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਇੱਕ ਮਾਪਣਯੋਗ ਸਾਧਨ ਵਜੋਂ ਸੈੱਟ ਕਰੋ, ਨਾ ਕਿ "ਭਵਿੱਖਬਾਣੀ"।
- ਬੈਕਟੈਸਟਿੰਗ ਇਸ ਗੱਲ ਦੀ ਅਸਲ ਪਰੀਖਿਆ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਕਿੰਨਾ ਆਤਮਵਿਸ਼ਵਾਸ ਹੋ ਸਕਦਾ ਹੈ; ਕੋਡ ਨਾਲ ਸੰਖਿਆਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
- ਇਹ ਮਨੁੱਖ ਦਾ ਕੰਮ ਹੈ ਕਿ ਉਹ ਡੇਟਾ (ਆਊਟਲੀਅਰ, ਤਰੱਕੀ) ਨੂੰ ਸਾਫ਼ ਕਰੇ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੇ; AI ਇਹਨਾਂ ਕਦਮਾਂ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਘੱਟੋ-ਘੱਟ ਇੱਕ 18-24 ਮਿਆਦ ਦੀ ਮੰਗ ਲੜੀ (ਅਸਲੀ ਜਾਂ ਯਥਾਰਥਵਾਦੀ ਗਲਪ) ਰੱਖੋ। ਪਹਿਲਾਂ, AI ਨੂੰ ਲੜੀ ਦਿਓ ਅਤੇ ਇਸਨੂੰ ਇਸਦੇ ਚਰਿੱਤਰ (ਰੁਝਾਨ/ਮੌਸਮਿਕਤਾ) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਹੋ ਅਤੇ ਦੋ ਤਰੀਕਿਆਂ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਫਿਰ ਆਖਰੀ 6 ਪੀਰੀਅਡਾਂ ਨੂੰ ਟੈਸਟਾਂ ਵਜੋਂ ਰਿਜ਼ਰਵ ਕਰਨ ਲਈ "ਬੈਕਟੈਸਟ ਪਲਾਨ" ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਨਾਜ਼ੁਕ ਕਦਮ: ਏਆਈ ਦੁਆਰਾ ਆਪਣੇ ਆਪ ਨੂੰ ਐਕਸਲ ਜਾਂ ਪਾਈਥਨ ਨਾਲ ਵਾਪਸ ਕੀਤੇ MAPE ਅਤੇ ਪੱਖਪਾਤ ਮੁੱਲਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰੋ ਅਤੇ ਉਹਨਾਂ ਦੀ AI ਆਉਟਪੁੱਟ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਕੋਈ ਅਜਿਹਾ ਨੰਬਰ ਮਿਲਦਾ ਹੈ ਜੋ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਲਿਖੋ। ਅੰਤ ਵਿੱਚ, ਪੱਖਪਾਤ ਦੇ ਚਿੰਨ੍ਹ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਕੀ ਤੁਹਾਡਾ ਮਾਡਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਰਿਹਾ ਹੈ ਜਾਂ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾ ਰਿਹਾ ਹੈ, ਅਤੇ ਇਹ ਤੁਹਾਡੀ ਵਸਤੂ ਨੂੰ ਕੀ ਕਰਦਾ ਹੈ?