Добици:
- Способност разликовања метода предвиђања потражње (покретни просек, експоненцијално изглађивање, сезоналност)
- Могућност постављања сценарија предвиђања помоћу АИ и процене тачности помоћу метрика као што су МАПЕ/МАЕ
- Способност унакрсне провере резултата прогнозе са пословним контекстом и промотивним/сезонским ефектима
Предвиђање потражње је основа на којој се заснива планирање производње, управљање залихама и читав ланац снабдевања. Погрешно предвиђање је скупо у оба смера: прецењивање ствара трошкове залиха и расипање, потцењивање доводи до губитка продаје и незадовољства купаца. Вештачка интелигенција помаже на многим местима у процесу предвиђања, од избора методе до тумачења историјских података и генерисања сценарија; Али посматрати прогнозу као „магичну кристалну куглу“ највећа је грешка. У овој јединици ћемо покрити класичне методе предвиђања, како их правилно изградити помоћу вештачке интелигенције и како мерити тачност.
Кратка мапа метода предвиђања
Не понаша се свака серија захтева исто; Неки су равни, неки имају трендове, неки су сезонски. Неопходно је изабрати метод према серији.
Метод
Када је то прикладно?
Пажња
Наивно (последња вредност)
За поређење (бенцхмарк)
Не прати тренд/сезону
покретни просек
Статичка, бучна серија
Касно реагује на тренд
Експоненцијално изглађивање (СЕС)
Стационарне серије, нагласак на подацима у близини
Добро ако нема тренда
Холт (двоструко експоненцијално)
Тренди серија
Не хвата сезону
Холт-Винтерс
Тренд + сезоналност
Захтева довољно историјских података
Регресија/МЛ
Мулти-варијабилна, промоција ефикасна
Ризик од преоптерећења
Савет: Увек почните са "наивним" нагађањем. Ако ваш сложени модел није ништа бољи од наивног нагађања, не вреди носити сложеност. Наиве је бесплатно мерило за мерење тачности.
Како меримо тачност? (метрика)
Тачност предвиђања се не може побољшати без мерења. Најчешћи показатељи:
- МАЕ (средња апсолутна грешка): Просек апсолутне вредности грешака. Јединица је иста као јединица потражње.
- РМСЕ (средња квадратна грешка): више кажњава веће грешке.
- МАПЕ (Меан Абсолуте Перцент Еррор): у процентима; Добро за поређење између ставки, али искривљено када је потражња близу нуле.
- Биас: Просечна грешка; Означава да ли стално прецењујете/потцењујете.
Мали узорак налога. Нека стварна потражња буде [100, 120, 90], а прогноза [110, 115, 100]:
Грешке (стварне - прогнозе): -10, +5, -10 Апсолутне грешке: 10, 5, 10 → МАЕ = 25 / 3 ≈ 8,33 Проценат грешака: 10/100, 5/120, 10/90 = 10%, 4,11 % ПЕ = 4,11 % (+МА) 11.11) / 3 ≈ 8,43% Пристрасност = (-10 + 5 - 10) / 3 = -5 → прецењивање у просеку (предвиђање > стварно)
Негативна пристрасност (истина минус процена) указује да је процена доследно прецењена; То значи инфлацију залиха. Такве грешке у правцу се могу сакрити у МАПЕ-у, па се посматрају заједно.
Изградња процеса предвиђања са АИ
АИ можете најефикасније да користите на два места: (1) да погледате податке и предложите одговарајући метод и радње које треба предузети и (2) да генеришете предиктивни код. За предлог методе:
Улога: Ви сте индустријски инжењер са искуством у предвиђању потражње. Задатак: Испитајте доле наведене месечне серије продаје и препоручите одговарајући метод предвиђања. Процените да ли постоји тренд и сезоналност, напишите своје оправдање. Подаци (месечно, последња 24 месеца): {{ вредности }}Додатне информације: У децембру постоји промоција, потражња опада у летњим месецима. Излаз који желим: 1. Коментар о карактеру серије (стабилан/трендовски/сезонски).2. 2 препоручене методе и зашто.3. Коју метрику тачности треба да пратим?4. Замке на које треба да пазим (изузетан, промотивни ефекат). Правило: Не обећавајте апсолутну тачност без увида у податке.
Слаба порука / јака промпт
Слабо обавештење:
Колико ћу продати следећег месеца?
Ово не садржи ни податке ни контекст; АИ то или одбија или враћа потпуно измишљени број. Такав излаз је опасан јер се чини поузданим.
Снажан упит:
Предвидите следећа 3 месеца користећи Холт-Винтерсову логику са овом серијом од 24 месеца. Дужина сезоне је 12. Прво напишите претпоставке методе, затим дајте прогнозу, а затим израчунајте МАПЕ тестирањем уназад последњих 6 месеци. Означите месеце промоције засебно. Подаци: {{ ... }}
Други упит тражи и предвиђање и колико самопоуздања да се верује том предвиђању (тестирање уназад). Ово претвара предвиђање из „пророчанства“ у мерљиво средство.
Тестирање уназад: Мера поверења у предвиђање
Прави тест предвиђања је у прошлости, а не будућности. Податке које имате поделите на два: прављење модела (воз) и тестирање. Са првим делом градите модел, предвиђате следећи период и упоредите га са стварношћу. Ова логика „задржавања“ открива да ли модел заиста функционише или не.
Подесите једноставан план тестирања уназад за следеће серије: одвојите последњих 6 месеци као тестирање, обучите 3 различите методе (наивне, СЕС, Холт-Винтерс) са преосталим подацима, израчунајте МАПЕ и пристрасност за сваку током периода тестирања и направите табелу поређења. Напишите победнички метод и образложење.
Пазите: АИ понекад може да "предвиди" резултате бектестирања и представи вам готов графикон; то јест, он може измислити бројеве који изгледају разумно, а да их заправо не израчуна. Обавезно репродукујте нумеричке резултате помоћу кода (Питхон/Екцел). Језички модел не изводи поуздано дугу аритметику.
Мини торбица: Залихе сезонских производа
Компанија за дистрибуцију хране жали се да сваке године зими има превише залиха сезонских производа попут сладоледа. Индустријски инжењер Елиф даје 3 године месечних података АИ и тражи од њега да процени карактер серије. АИ детектује јаку сезоналност (летњи врхунац) и благи годишњи тренд раста, сугерише Холт-Винтерс. Елиф генерише предвиђање у Питхон-у и тестира га уназад: МАПЕ је 14%, али пристрасност је значајно негативна — модел доследно превише предвиђа. Када истражује зашто, открива да је период кампање у историјским подацима погрешио као „нормалан“ и да је модел учио превисоку основу. Када уклонимо ефекат кампање и поново изградимо модел, пристрасност се смањује и зимска залиха значајно опада. Лекција: АИ је исправно предложио метод, али је људски посао био да се очисте подаци и протумаче пристрасност.
Уобичајене грешке
- Непраћење метрике: процена и никада мерење тачности. Предвиђање без мерења се не може побољшати.
- Само гледајући МАПЕ: Игнорисање пристрасности. Усмерена (систематска) грешка тихо надувава инвентар.
- Погрешити бројеве које је направила АИ за прорачуне: Не потврђују вредности бектестова и метрике помоћу кода.
- Нечишћење одступања/промоције: Погрешити једнократну кампању као нормалан захтев и научити моделу о томе.
- Оверфит: Када се сложени модел савршено уклапа у прошлост, али лоше функционише у будућности. Задржите једноставан модел као репер.
Укратко
- Изаберите метод прогнозе према карактеру серије (стационарно, трендовско, сезонско); Увек почните тако што ћете се поредити са наивцем.
- Мерите тачност помоћу МАЕ/РМСЕ/МАПЕ, али и пратите пристрасност: грешка у правцу је најскупља.
- Користите АИ за препоруку метода и генерисање кода; Поставите прогнозу као мерљиво средство, а не као „пророчанство“.
- Тестирање уназад је прави тест колико самопоуздања модел може бити; Обавезно проверите нумеричке резултате кодом.
- Људски је посао да очисти податке (изузетно, промоција) и интерпретира резултат; АИ прескаче ове кораке.
Задатак апликације
Имајте најмање 18-24 периоде захтева серије (стварна или реалистична фикција). Прво, дајте АИ серију и замолите је да протумачи њен карактер (тренд/сезонски карактер) и предложи две методе. Затим користите моћну промпт „план тестирања уназад“ да резервишете последњих 6 периода као тестове и упоредите најмање две методе. Критични корак: Поново израчунајте МАПЕ и вредности пристрасности које је АИ вратио сам помоћу програма Екцел или Питхон и упоредите их са АИ излазом. Ако нађете број који се не поклапа, запишите га. Коначно, протумачите знак пристрасности: да ли ваш модел прецењује или потцењује, и шта то чини вашем инвентару?