ලාභ:
- දත්ත-තොරතුරු-තීරණ-තීරණ ඉණිමඟ තේරුම් ගැනීමෙන් සහ පියවරෙන් පියවර කෘතිම බුද්ධිය ක්රියාත්මක කිරීමෙන් විසුරුවා හරින ලද දත්ත වලින් තීරණ-නැඹුරු තීක්ෂ්ණ බුද්ධිය නිපදවීමේ හැකියාව
- ඛණ්ඩ බිඳවැටීම හරහා සම්පූර්ණ සංඛ්යාවලින් සඟවා ඇති සත්යය හෙළිදරව් කිරීමේ හැකියාව සහ සහසම්බන්ධය හේතුකාරකයෙන් වෙන්කර හඳුනා ගැනීමේ හැකියාව
- කෘත්රිම බුද්ධිය විසින් යෝජනා කරන ලද හේතු පරීක්ෂා කළ යුතු උපකල්පන ලෙස සැලකීමට සහ සත්යාපිත තීක්ෂ්ණ බුද්ධිය මත අවසාන තීරණය පදනම් කර ගැනීමේ හැකියාව
සෑම දිනකම කළමනාකරුවෙකුගේ මේසය මත දුසිම් ගණනක් පැමිණේ: විකුණුම් සංඛ්යා, පිරිවැය, පාරිභෝගික පැමිණිලි, බඩු තොග මට්ටම්, සේවක පිරිවැටුම් අනුපාත. නමුත් අංකය පමණක් තීරණය නොවේ. තීරණය ආරම්භ වන්නේ අංකය තුළ අර්ථය දැකීමෙනි. "පසුගිය මාසයට සාපේක්ෂව විකුණුම් සියයට 8 කින් පහත වැටී ඇත" යනු ලබා දී ඇත; "Aegean කලාපයේ විශාල ගනුදෙනුකරුවන් දෙදෙනෙකු ඔවුන්ගේ ඇණවුම් කල් දැමීම නිසා විකුණුම් අඩු වී ඇත" යනු තීක්ෂ්ණ බුද්ධියකි. මෙහිදී, තීරණ සහාය - කළමනාකරුට වඩා හොඳ තීරණ ගැනීමට දත්ත අර්ථවත් කරන ක්රියාවලිය - දත්ත තීක්ෂ්ණ බුද්ධිය බවට පත් කරන පාලමයි. මෙම ඒකකයෙන්, අපි මෙම පාලම මත AI භාවිතා කරන්නේ කෙසේදැයි ඉගෙන ගනිමු. ආරම්භයේ සිටම මායිම පැහැදිලිය: AI කෙටුම්පත් විදසුන් ඉදිරිපත් කරයි; කළමනාකරු තීරණය කරන්නේ කුමන තීක්ෂ්ණ බුද්ධිය සැබෑද සහ කුමක් කළ යුතුද යන්නයි.
දත්ත සිට තීක්ෂ්ණ බුද්ධිය දක්වා පියවර හතරක්
තීරණ සහාය යනු ඉණිමඟකි. පළමු ඉලක්කම් — දත්ත: අමු අංක (මෙම මාසයේ ඇණවුම් 1,240ක් පැමිණ ඇත). දෙවන ඉලක්කම් - තොරතුරු: සංස්කරණය කරන ලද, සංසන්දනය කළ සංඛ්යා (පසුගිය මාසයට වඩා සියයට 8 කින් අඩු). තුන්වන ස්ථරය - තීක්ෂ්ණ බුද්ධිය: පහත වැටීමට හේතුව තේරුම් ගැනීම (ප්රධාන ගනුදෙනුකරුවන් දෙදෙනෙකුගෙන් ප්රමාදය). හතරවන පියවර - තීරණය: කුමක් කළ යුතුද (මෙම ගනුදෙනුකරුවන් සම්මුඛ සාකච්ඡා කර නව ගනුදෙනුකරුවන් ඉලක්ක කර ගන්න). AI පළමු සහ දෙවන පියවර වලදී ඉතා වේගවත් වේ, තෙවනුව හොඳ සහායකයෙකි, හතරවන විකල්පයන් පමණක් ඉදිරිපත් කරයි.
මෙම ඉණිමඟ දැන ගැනීම වැදගත් වන්නේ බොහෝ කළමනාකරුවන් "මා වෙනුවෙන් තීරණය කරන්න" සහ කලකිරීමට පත් වන ලෙස AI වෙතින් කෙලින්ම ඉල්ලා සිටින බැවිනි. කෙසේ වෙතත්, ඔබ පියවරෙන් පියවර AI ක්රියාත්මක කරන්නේ නම් - පළමුව සාරාංශ කරන්න, පසුව සංසන්දනය කරන්න, පසුව හැකි හේතු ප්රශ්න කරන්න, සහ අවසානයේ ඔබම තීරණය ගන්න - ඔබ වේගවත් සහ විශ්වාසදායක වනු ඇත.
ඉඟිය: AI ගෙන් අසන්න "මෙම දත්ත වලින් ඔබ අනුමාන කරන්නේ කුමක්ද?" සියල්ල එකවර අසනවා වෙනුවට, "පළමුව සාරාංශ කරන්න, පසුව වඩාත්ම කැපී පෙනෙන වෙනස්කම් 3 පෙන්වන්න, ඉන්පසු එක් එක් හේතු 2ක් යෝජනා කරන්න" යනුවෙන් පියවරෙන් පියවර ඉදිරියට යන්න. පියවරෙන් පියවර සිතීම වඩාත් නිවැරදි ප්රතිඵල ලබා දෙයි.
සහසම්බන්ධය සහ හේතුකාරක උගුල
තීරණ ආධාරකයේ ඇති භයානකම අන්තරාය වන්නේ හේතුකාරකය සඳහා සහසම්බන්ධය වැරදි ලෙස වටහා ගැනීමයි. සහසම්බන්ධය යනු දේවල් දෙකක් එකට ගමන් කරන විටය (අයිස්ක්රීම් අලෙවිය සහ ගිම්හානයේදී දියේ ගිලීම එකට වැඩිවේ). හේතුකාරකය යනු එකක් අනෙකට ගෙන යන විටය (අයිස්ක්රීම් හුස්ම හිරවීම ඇති නොකරයි; උණුසුම් කාලගුණය පොදු හේතුව). ඔබගේ දත්තවල එකට ගමන් කරන දේවල් සොයා ගැනීමට AI ඉතා දක්ෂයි, නමුත් එයට සැබෑ හේතුව කුමක්දැයි කිව නොහැක. "ප්රචාරණ වියදම් වැඩි වී අලෙවිය වැඩි විය" යැයි පැවසීමෙන් වෙළඳ ප්රචාරණයෙන් විකුණුම් වැඩි වූ බව ඔප්පු නොවේ; සමහරවිට මේ දෙකටම උත්සව සමය බලපාන්න ඇති.
එබැවින් AI හේතුවක් යෝජනා කරන විට, එය සත්යයක් ලෙස නොව උපකල්පනයක් (ඔප්පු කළ යුතු උපකල්පනයක්) ලෙස සලකන්න. "මම මෙය පරීක්ෂා කරන්නේ කෙසේද?" අහන්න. හොඳ කළමනාකරුවෙක් ක්ෂේත්රයේ හෝ දත්ත සමඟ AI යෝජනා කරන හේතුව පරීක්ෂා කරයි.
කුඩා නඩු තුනක්
නඩුව 1 - රහස් වැටීම අල්ලා ගැනීම. ඊ-වාණිජ්ය සමාගමක, සම්පූර්ණ පිරිවැටුම ස්ථාවර බවක් පෙනෙන්නට තිබුණි, කිසිවෙකු කලබල නොවීය. කළමනාකරු නිර්නාමික මාසික දත්ත AI වෙත ලබා දෙන අතර "වර්ග පදනම මත වර්ධනය වන සහ හැකිලෙන්නේ කුමන කොටසද?" ඔහු ඇසුවේය. YZ පෙන්නුම් කළේ මුළු පිරිවැටුම නියත වන අතර, ඉහළ ලාභ ලබන ඉලෙක්ට්රොනික කාණ්ඩය ඇත්ත වශයෙන්ම සියයට 22 කින් පහත වැටී ඇති අතර, අඩු ලාභ අමතර උපාංග අලෙවිය මෙය වසන් කරයි. කළමනාකරු මෙය තහවුරු කර ඉලෙක්ට්රොනික උපකරණ කාණ්ඩයට අවධානය යොමු කළේය. මුළු සංඛ්යාව සඟවා ඇත; විවේකය ඇත්ත හෙළි කළේය.
නඩුව 2 - වැරදි හේතුවකට ධාවනය කිරීම. කැෆේ ජාලයක කළමනාකරු AI වෙත විකුණුම් දත්ත ලබා දුන්නේය. "සති අන්ත විකුණුම් කාලගුණික උෂ්ණත්වය සමඟ ගමන් කරයි," YZ පැවසීය. කළමනාකරු මෙය "උණුසුම් කාලගුණය වැඩි කරයි විකුණුම්" ලෙස කියවා වායු සමීකරණ ප්රතික්ෂේප කළේය. කෙසේ වෙතත්, සැබෑ හේතුව වූයේ සති අන්තයේ පාරිභෝගික තදබදය වැඩි වීමයි; උෂ්ණත්වය අහම්බෙන් එකම දිශාවකට ගමන් කළේය. කළමනාකරු සහසම්බන්ධය හේතුව ලෙස වරදවා වටහා ගත්තේය. ඔහු පාඩම ඉගෙන ගත් අතර මෙතැන් සිට සෑම හේතුවක්ම පරීක්ෂා කළේය.
නඩුව 3 - සංසන්දනය නිවැරදිව ස්ථාපනය කිරීම. නිෂ්පාදන ව්යවසායක කර්මාන්තශාලා දෙකක කාර්යක්ෂමතාවය සංසන්දනය කරමින් තිබුණි. කළමනාකරු AI වෙතින් අසයි, “කර්මාන්තශාලාව A, B ට වඩා කාර්යක්ෂමද?” ඔහු ඇසුවේය, නමුත් A කර්මාන්තශාලාව නව හා කුඩා බව AI දැන සිටියේ නැත. කළමනාකරු විමසුම නිවැරදි කළේය: "ප්රමාණය සහ වයස් වෙනස සැලකිල්ලට ගනිමින් ඒකකයකට අස්වැන්න සසඳන්න." මෙවර විශ්ලේෂණය සාධාරණ වූ අතර සැබෑ වෙනස හෙළි විය.
පිටපත් කළ හැකි සැකිලි හතරක්
1) පියවරෙන් පියවර අවබෝධය ලබා ගැනීම:
ඔබේ කාර්යභාරය: කළමනාකරුට සහාය වන ව්යාපාර විශ්ලේෂක. අමුණා ඇති නිර්නාමික දත්ත භාවිතා කරන්න (කාලසීමාව, කාණ්ඩය, විකුණුම්, පිරිවැය). පියවරෙන් පියවර ඉදිරියට යන්න: 1) අයිතම 4කින් දත්ත සාරාංශ කරන්න. 2) පසුගිය කාල සීමාවට සාපේක්ෂව වඩාත්ම කැපී පෙනෙන වෙනස්කම් 3 පෙන්වන්න. 3) එක් එක් වෙනස් කිරීම සඳහා හැකි හේතු 2ක් දක්වා යෝජනා කර මේවා උපකල්පන බවත් සාක්ෂි අවශ්ය බවත් සඳහන් කරන්න. මා සපයන දත්තවල නොපවතින කිසිඳු සංඛ්යාවක් සාදන්න එපා.
2) බිඳ වැටීම (කොටස) විශ්ලේෂණය:
මුළු සංඛ්යා ස්ථායී බව පෙනුනත්, මට දැන ගැනීමට අවශ්ය වන්නේ ඇතුළත සිදුවන්නේ කුමක්ද යන්නයි. ප්රවර්ගය/කලාපය/පාරිභෝගික අංශය අනුව අමුණා ඇති දත්ත බිඳ දමන්න. වගුවක වර්ධනය වන සහ හැකිලෙන කොටස පෙන්වන්න. විශේෂයෙන්ම සම්පූර්ණය වසන් කරන ආපසු හැරවීම් සලකුණු කරන්න.
3) සහසම්බන්ධතා-හේතු පරීක්ෂණය:
මට මෙම සම්බන්ධතාවය හමු විය: [A සහ B එකට ගමන් කරයි]. මෙය සත්ය හේතුව සහ ඵලයද නැතහොත් එක්ව ක්රියා කිරීමද යන්න හඳුනා ගැනීමට මට උදවු කරන්න. හැකි පොදු හේතු ලැයිස්තුගත කර මෙම සම්බන්ධතාවය පරීක්ෂා කිරීමට මට කළ හැකි ප්රායෝගික පරීක්ෂණ 3ක් යෝජනා කරන්න.
4) තීරණ විකල්ප උත්පාදනය:
මම මෙම තීක්ෂ්ණ බුද්ධිය තහවුරු කළෙමි: [තීක්ෂණ]. මා වෙනුවෙන් තීරණය නොකරන්න; ඒ වෙනුවට, විවිධ ක්රියා විකල්ප 3ක් ජනනය කරන්න. එක් එක් විකල්පය සඳහා: අපේක්ෂිත ප්රතිලාභය, ඇස්තමේන්තුගත පිරිවැය/උත්සාහය, ප්රධාන අවදානම, සහ කුමන තත්ත්වය වඩාත් කැමති විය යුතුද යන්න. විකල්ප මධ්යස්ථව ඉදිරිපත් කරන්න; කෙනෙකුට පටවන්න එපා.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
විකුණුම් පහත වැටුණේ ඇයි?
දත්ත නැත, කාල සීමාවක් නැත, සන්දර්භය නැත. AI පොදු හේතු ලැයිස්තුගත කරයි (ආර්ථිකය, තරඟය, සමය); ඒවායින් කිසිවක් ඔබගේ තත්වයට විශේෂිත නොවන අතර සත්යාපනය කළ නොහැක.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: සිල්ලර විශ්ලේෂක. අමුණා ඇති නිර්නාමික 6-මාස දත්ත භාවිතා කරන්න (මාසය, කලාපය, කාණ්ඩය, විකුණුම් ගණන, පිරිවැටුම). පසුගිය මාසයේ මුළු පිරිවැටුම 8% කින් අඩු විය. කලාපය සහ කාණ්ඩය අනුව මෙය බිඳ දමන්න; පහත වැටීම පැමිණෙන්නේ කුමන අංශයෙන්දැයි සොයා බලන්න. ඔබ සොයා ගන්නා සෑම ප්රතික්ෂේපයක් සඳහාම පරීක්ෂා කළ හැකි උපකල්පන 2ක් දක්වා යෝජනා කරන්න. මම ඔබට ලබා දුන් අංක භාවිතා කරන්න.
ප්රමාණය
දුර්වල ප්රවේශය
ශක්තිමත් ප්රවේශය
දත්ත
කිසිවක් නැත
නිර්නාමික සහ අමුණා ඇත
ප්රශ්නය
ජෙනරාල් "ඇයි?"
වර්තන සහ නාභිගත
ප්රතිදානය
පොදු හේතු
පරීක්ෂා කළ හැකි උපකල්පන
සත්යාපනය
අඩු
ඉහළ
තීරණ අගය
අඩුයි
ඉහළ
පොදු වැරදි
- මුළු සංඛ්යාව මත රඳා පවතී. එකතුව නියත වන අතර, ඇතුළත විශාල ආපසු හැරවීම් තිබිය හැක; බිඳවැටීම දෙස බැලීමට වග බලා ගන්න.
- හේතුව සඳහා වැරදි සහසම්බන්ධය. AI සොයා ගන්නා සම්බන්ධතාවය සාක්ෂි ලෙස නොව පරීක්ෂා කළ යුතු උපකල්පනයක් ලෙස බලන්න.
- අසාධාරණ සංසන්දනය. ඒවා සාමාන්යකරණය නොකර විවිධ ප්රමාණයේ/වයස/තත්ත්වවල ඒකක සංසන්දනය නොකරන්න.
- AI වෙතින් සෘජුවම තීරණ ඉල්ලා සිටීම. AI විකල්ප ජනනය කරයි; තීරණය සහ වගකීම ඔබ දරනවා.
- තනි කාල දත්ත සමඟ නිගමන උකහා ගැනීම. ප්රවණතා සඳහා ප්රමාණවත් ඓතිහාසික දත්ත අවශ්ය වේ.
අවවාදයයි: තීක්ෂ්ණ බුද්ධිය කෙතරම් දක්ෂ ලෙස පෙනුනත්, එය ඔබගේ දත්ත වලින් සත්යාපනය කළ නොහැකි නම් එය තීරණයක් නොවිය යුතුය. "AI එහෙම කිව්වා" සාධාරණීකරණයක් නොවේ; "මම එය දත්ත සමඟ පරීක්ෂා කළ අතර එය වලංගු විය" යනු සාධාරණීකරණයකි.
සාරාංශයක් ලෙස
තීරණ සහාය යනු දත්ත තීක්ෂ්ණ බුද්ධිය බවට පත් කරන ඉණිමඟයි: දත්ත, තොරතුරු, තීක්ෂ්ණ බුද්ධිය, තීරණය. AI පළමු පියවර දෙකේදී ඉතා වේගවත් වන අතර තුන්වන පියවරේදී හොඳ සහායකයෙක් සහ හතරවන පියවරේදී විකල්ප සපයන්නා පමණි. සම්පූර්ණ සංඛ්යා නොව බිඳවැටීම් දෙස බලන්න; සහසම්බන්ධය හේතුව ලෙස වරදවා වටහා නොගන්න; පරීක්ෂා කළ යුතු උපකල්පන ලෙස AI යෝජනා කරන හේතු බලන්න. පියවරෙන් පියවර සිතීම වඩාත් නිවැරදි ප්රතිඵල ලබා දෙයි. අවසාන තීරණය කළමනාකරුගේ වලංගු තීක්ෂ්ණ බුද්ධිය මත පදනම් වේ.
යෙදුම් කාර්යය
ඔබේ ව්යාපාරයෙන් නිර්නාමික දත්ත කට්ටලයක් සූදානම් කරන්න (උදා. පසුගිය මාස 6 සඳහා වර්ග-පාදක විකුණුම්). ඉහත "Breakdown analysis" අච්චුව සමඟින් AI හට කොටස් බිඳවැටීමක් සිදු කිරීමට සලස්වන්න. ඔබ සොයාගත් විශාලතම වෙනස සඳහා "Correlation-causation test" අච්චුව භාවිතයෙන් උපකල්පනයක් සාදන්න සහ ඔබ මෙම කල්පිතය ක්ෂේත්රය තුළ පරීක්ෂා කරන ආකාරය අයිතම 3කින් ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම දත්ත නිර්නාමික කර තිබේද?
- [ ] මම සමස්තයට වඩා බිඳවැටීම (කොටස) බැලුවාද?
- AI විසින් යෝජනා කරන ලද හේතුව මම උපකල්පනයක් ලෙස සැලකුවද?
- [ ] මම සැසඳීම් සාධාරණ ලෙස (සාමාන්යකරණය) සකසා තිබේද?
- [ ] මම තීරණය ගත්තේ සත්යාපිත තීක්ෂ්ණ බුද්ධිය මතද?