தேவை முன்னறிவிப்பு

ஆதாயங்கள்:

• தேவை முன்கணிப்பு முறைகளை வேறுபடுத்தும் திறன் (நகரும் சராசரி, அதிவேக மென்மையாக்கம், பருவநிலை)
• AI உடன் கணிப்பு காட்சிகளை அமைக்கும் திறன் மற்றும் MAPE/MAE போன்ற அளவீடுகள் மூலம் துல்லியத்தை மதிப்பிடும் திறன்
• வணிக சூழல் மற்றும் விளம்பர/பருவகால விளைவுகளுடன் முன்னறிவிப்பு வெளியீட்டை குறுக்கு-சரிபார்க்கும் திறன்

தேவை முன்கணிப்பு என்பது உற்பத்தி திட்டமிடல், சரக்கு மேலாண்மை மற்றும் முழு விநியோகச் சங்கிலி அடிப்படையிலான அடிப்படையாகும். தவறான முன்னறிவிப்பு இரண்டு வழிகளிலும் விலை உயர்ந்தது: மிகையாக மதிப்பிடுவது சரக்கு செலவுகள் மற்றும் விரயங்களை உருவாக்குகிறது, குறைத்து மதிப்பிடுவது விற்பனை இழப்பு மற்றும் வாடிக்கையாளர் அதிருப்திக்கு வழிவகுக்கிறது. செயற்கை நுண்ணறிவு முன்னறிவிப்பு செயல்பாட்டில் பல இடங்களில் உதவுகிறது, ஒரு முறையைத் தேர்ந்தெடுப்பதில் இருந்து வரலாற்றுத் தரவை விளக்குவது மற்றும் காட்சிகளை உருவாக்குவது வரை; ஆனால் முன்னறிவிப்பை "மேஜிக் கிரிஸ்டல் பால்" என்று பார்ப்பது மிகப்பெரிய தவறு. இந்த யூனிட்டில், கிளாசிக்கல் முன்கணிப்பு முறைகள், AI மூலம் அவற்றை எவ்வாறு சரியாக உருவாக்குவது மற்றும் துல்லியத்தை எவ்வாறு அளவிடுவது போன்றவற்றைப் பார்ப்போம்.

முன்கணிப்பு முறைகளின் சுருக்கமான வரைபடம்

ஒவ்வொரு தொடர் கோரிக்கைகளும் ஒரே மாதிரியாக செயல்படுவதில்லை; சில பிளாட், சில போக்குகள், சில பருவகால. தொடரின் படி முறையைத் தேர்ந்தெடுப்பது அவசியம்.

முறை

அது எப்போது பொருத்தமானது?

கவனம்

அப்பாவி (கடைசி மதிப்பு)

ஒப்பிடுவதற்கு (பெஞ்ச்மார்க்)

போக்கு/சீசன் பின்பற்றுவதில்லை

நகரும் சராசரி

நிலையான, சத்தமில்லாத தொடர்

போக்குக்கு தாமதமாக எதிர்வினையாற்றுகிறது

அதிவேக மிருதுவாக்கம் (SES)

நிலையான தொடர், அருகிலுள்ள தரவுகளுக்கு முக்கியத்துவம்

போக்கு இல்லாவிட்டால் நல்லது

ஹோல்ட் (இரட்டை அதிவேக)

நாகரீகமான தொடர்

பருவம் பிடிக்காது

ஹோல்ட்-குளிர்காலம்

போக்கு + பருவநிலை

போதுமான வரலாற்று தரவு தேவை

பின்னடைவு/எம்.எல்

பல-மாறி, பதவி உயர்வு பயனுள்ளதாக இருக்கும்

அதிக பொருத்தம் ஆபத்து

உதவிக்குறிப்பு: எப்போதும் "அப்பாவியான" யூகத்துடன் தொடங்கவும். உங்கள் சிக்கலான மாதிரியானது அப்பாவியான யூகத்தை விட சிறப்பாக இல்லை என்றால், சிக்கலான தன்மையை எடுத்துச் செல்வது மதிப்புக்குரியது அல்ல. நேவ் என்பது துல்லியத்தை அளவிடுவதற்கான ஒரு இலவச அளவுகோலாகும்.

நாம் எப்படி துல்லியத்தை அளவிடுவது? (அளவீடுகள்)

கணிப்பு துல்லியத்தை அளவிடாமல் மேம்படுத்த முடியாது. மிகவும் பொதுவான அளவீடுகள்:

• MAE (சராசரி முழுமையான பிழை): பிழைகளின் முழுமையான மதிப்பின் சராசரி. அலகு தேவை அலகு போலவே உள்ளது.
• RMSE (ரூட் மீன் ஸ்கொயர் பிழை): பெரிய பிழைகளை அதிகமாக தண்டிக்கும்.
• MAPE (சராசரி முழுமையான சதவீதப் பிழை): சதவீதத்தில்; பொருட்களை ஒப்பிடுவதற்கு நல்லது, ஆனால் தேவை பூஜ்ஜியத்திற்கு அருகில் இருக்கும்போது சிதைந்துவிடும்.
• சார்பு: சராசரி பிழை; நீங்கள் தொடர்ந்து அதிகமாக/குறைத்து மதிப்பிடுகிறீர்களா என்பதைக் குறிக்கிறது.

ஒரு சிறிய மாதிரி கணக்கு. உண்மையான தேவை [100, 120, 90] ஆக இருக்கட்டும், முன்னறிவிப்பு [110, 115, 100]:

பிழைகள் (உண்மையான - முன்னறிவிப்பு): -10, +5, -10முழுமையான பிழைகள்: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 சதவீத பிழைகள்: 10/100, 5/120, 10/90 = 10%, 10%, 10%, 4. 4.17 + 11.11) / 3 ≈ 8.43% சார்பு = (-10 + 5 - 10) / 3 = -5 → சராசரியாக மிகை மதிப்பீடு (கணிப்பு > உண்மையானது)

ஒரு எதிர்மறை சார்பு (உண்மை கழித்தல் மதிப்பீடு) மதிப்பீடு தொடர்ந்து மிகைப்படுத்தப்பட்டதைக் குறிக்கிறது; இதன் பொருள் சரக்கு பணவீக்கம். இத்தகைய திசைப் பிழைகள் MAPE இல் மறைக்கப்படலாம், எனவே அவை ஒன்றாகப் பார்க்கப்படுகின்றன.

AI உடன் முன்கணிப்பு செயல்முறையை உருவாக்குதல்

நீங்கள் இரண்டு இடங்களில் AI ஐ மிகவும் திறமையாகப் பயன்படுத்தலாம்: (1) தரவைப் பார்த்து பொருத்தமான முறை மற்றும் எடுக்க வேண்டிய செயல்களைப் பரிந்துரைக்க, மற்றும் (2) முன்கணிப்பு குறியீட்டை உருவாக்க. முறை பரிந்துரைக்கு:

பங்கு: நீங்கள் தேவை முன்னறிவிப்பில் அனுபவம் வாய்ந்த தொழில்துறை பொறியாளர். பணி: கீழே உள்ள மாதாந்திர விற்பனைத் தொடரை ஆராய்ந்து, பொருத்தமான முன்கணிப்பு முறையைப் பரிந்துரைக்கவும். ஒரு போக்கு மற்றும் பருவநிலை உள்ளதா என்பதை மதிப்பிடுங்கள், உங்கள் நியாயத்தை எழுதுங்கள். தரவு (மாதாந்திர, கடந்த 24 மாதங்கள்): {{ மதிப்புகள் }}கூடுதல் தகவல்: டிசம்பரில் ஒரு பதவி உயர்வு உள்ளது, கோடை மாதங்களில் தேவை குறைகிறது. நான் விரும்பும் வெளியீடு:1. தொடரின் தன்மை பற்றிய கருத்து (நிலையான/பிரபலமான/பருவகால).2. 2 பரிந்துரைக்கப்பட்ட முறைகள் மற்றும் ஏன்.3. என்ன துல்லிய அளவீட்டை நான் கண்காணிக்க வேண்டும்?4. நான் கவனிக்க வேண்டிய பிட்ஃபால்ஸ் (வெளிப்புறம், விளம்பர விளைவு) விதி: தரவைப் பார்க்காமல் முழுமையான துல்லியத்தை உறுதியளிக்க வேண்டாம்.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

அடுத்த மாதம் எவ்வளவு விற்பனை செய்வேன்?

இதில் தரவு அல்லது சூழல் எதுவும் இல்லை; AI அதை நிராகரிக்கிறது அல்லது முழுமையாக உருவாக்கப்பட்ட எண்ணை வழங்குகிறது. அத்தகைய வெளியீடு ஆபத்தானது, ஏனெனில் அது நம்பகமானதாக தோன்றுகிறது.

சக்திவாய்ந்த தூண்டுதல்:

இந்த 24-மாதத் தொடருடன் Holt-Winters தர்க்கத்தைப் பயன்படுத்தி அடுத்த 3 மாதங்களைக் கணிக்கவும். சீசன் நீளம் 12. முதலில் முறையின் அனுமானங்களை எழுதவும், பின்னர் முன்னறிவிப்பைக் கொடுக்கவும், பின்னர் கடந்த 6 மாதங்களில் மீண்டும் சோதனை செய்து MAPE ஐக் கணக்கிடவும். பதவி உயர்வு மாதங்களைத் தனியாகக் குறிக்கவும். தரவு: {{ ... }}

இரண்டாவது ப்ராம்ட் கணிப்பு மற்றும் அந்த கணிப்பை எவ்வளவு நம்புவது (பேக்டெஸ்டிங்) ஆகிய இரண்டையும் கேட்கிறது. இது ஒரு "ஆரக்கிள்" என்பதிலிருந்து கணிப்பை அளவிடக்கூடிய கருவியாக மாற்றுகிறது.

பேக்டெஸ்டிங்: கணிப்பில் நம்பிக்கையின் அளவு

கணிப்புக்கான உண்மையான சோதனை கடந்த காலத்தில் உள்ளது, எதிர்காலத்தில் அல்ல. உங்களிடம் உள்ள தரவை இரண்டாகப் பிரிக்கிறீர்கள்: மாதிரி உருவாக்கம் (ரயில்) மற்றும் சோதனை. நீங்கள் முதல் துண்டுடன் மாதிரியை உருவாக்குகிறீர்கள், அடுத்த காலகட்டத்தை கணித்து, யதார்த்தத்துடன் ஒப்பிடுங்கள். இந்த "ஹோல்ட்-அவுட்" தர்க்கம் ஒரு மாதிரி உண்மையில் செயல்படுகிறதா இல்லையா என்பதை வெளிப்படுத்துகிறது.

பின்வரும் தொடருக்கான எளிய பேக்டெஸ்ட் திட்டத்தை அமைக்கவும்: கடந்த 6 மாதங்களை சோதனையாக ஒதுக்கி, மீதமுள்ள தரவுகளுடன் 3 வெவ்வேறு முறைகளுக்கு (அப்பாவி, SES, Holt-Winters) பயிற்சி அளிக்கவும், சோதனைக் காலத்தில் ஒவ்வொன்றிற்கும் MAPE மற்றும் சார்புகளைக் கணக்கிட்டு, ஒப்பீட்டு அட்டவணையை உருவாக்கவும். வெற்றி முறை மற்றும் நியாயத்தை எழுதுங்கள்.

ஜாக்கிரதை: AI ஆனது சில சமயங்களில் பின்பரிசோதனை முடிவுகளை "கணிக்கிறது" மற்றும் ஒரு ஆயத்த விளக்கப்படத்தை உங்களுக்கு வழங்குகிறது; அதாவது, அவர் உண்மையில் கணக்கிடாமல் நியாயமானதாகத் தோன்றும் எண்களை உருவாக்க முடியும். குறியீட்டுடன் எண் முடிவுகளை மீண்டும் உருவாக்குவதை உறுதிப்படுத்திக் கொள்ளுங்கள் (பைதான்/எக்செல்). ஒரு மொழி மாதிரி நீண்ட எண்கணிதத்தை நம்பகத்தன்மையுடன் செயல்படுத்தாது.

மினி கேஸ்: பருவகால தயாரிப்புகளின் அதிகப்படியான இருப்பு

ஒவ்வொரு ஆண்டும் குளிர்காலத்தில் ஐஸ்கிரீம் போன்ற பருவகால தயாரிப்புகளை அதிகமாக இருப்பு வைத்திருப்பதாக உணவு விநியோக நிறுவனம் புகார் கூறுகிறது. தொழில்துறை பொறியாளர் எலிஃப் AI க்கு 3 வருட மாதாந்திர தரவை அளித்து, தொடரின் தன்மையை மதிப்பீடு செய்யும்படி கேட்கிறார். AI வலுவான பருவநிலை (கோடை உச்சம்) மற்றும் சிறிய வருடாந்திர வளர்ச்சிப் போக்கைக் கண்டறிகிறது, Holt-Winters பரிந்துரைக்கிறது. எலிஃப் பைத்தானில் கணிப்பை உருவாக்கி அதை மறுபரிசீலனை செய்கிறது: MAPE 14%, ஆனால் சார்பு கணிசமாக எதிர்மறையாக உள்ளது - மாதிரி தொடர்ந்து மிகைப்படுத்துகிறது. அவர் ஏன் என்று விசாரிக்கும் போது, ​​அவர் வரலாற்றுத் தரவுகளில் ஒரு பிரச்சார காலத்தை "சாதாரணமானது" என்று தவறாகக் கருதி, அந்த மாதிரியை மிக உயர்ந்த தளமாகக் கற்பித்தார். நாங்கள் பிரச்சார விளைவை அகற்றி, மாதிரியை மீண்டும் உருவாக்கும்போது, ​​சார்பு குறைகிறது மற்றும் குளிர்கால பங்கு கணிசமாகக் குறைகிறது. பாடம்: AI இந்த முறையைச் சரியாகப் பரிந்துரைத்தது, ஆனால் தரவைச் சுத்தம் செய்வதும், சார்புநிலையை விளக்குவதும் மனித வேலை.

பொதுவான தவறுகள்

• அளவீடுகளைக் கண்காணிக்கவில்லை: மதிப்பிடுதல் மற்றும் துல்லியத்தை அளவிடுவதில்லை. அளவீடு இல்லாமல் கணிப்பு மேம்படுத்த முடியாது.
• MAPEஐப் பார்க்கிறேன்: சார்புநிலையைப் புறக்கணித்தல். திசை (முறையான) பிழை சரக்குகளை அமைதியாக உயர்த்துகிறது.
• கணக்கீடுகளுக்காக AI ஆல் உருவாக்கப்பட்ட எண்களைத் தவறாகப் புரிந்துகொள்வது: குறியீட்டைக் கொண்டு பேக்டெஸ்ட் மற்றும் மெட்ரிக் மதிப்புகளைச் சரிபார்க்கவில்லை.
• புறம்போக்கு/விளம்பரத்தை சுத்தம் செய்யாதது: ஒரு முறை பிரச்சாரத்தை சாதாரண கோரிக்கையாக தவறாக புரிந்துகொண்டு அதை மாதிரிக்கு கற்பித்தல்.
• ஓவர்ஃபிட்: ஒரு சிக்கலான மாதிரி கடந்த காலத்தில் சரியாகப் பொருந்துகிறது ஆனால் எதிர்காலத்தில் மோசமாகச் செயல்படும் போது. எளிய மாதிரியை ஒரு அளவுகோலாக வைத்திருங்கள்.

சுருக்கமாக

• தொடரின் தன்மைக்கு ஏற்ப முன்னறிவிப்பு முறையைத் தேர்ந்தெடுக்கவும் (நிலையான, போக்கு, பருவகாலம்); எப்பொழுதும் உங்களை ஒரு அப்பாவியாக ஒப்பிடுவதன் மூலம் தொடங்குங்கள்.
• MAE/RMSE/MAPE மூலம் துல்லியத்தை அளவிடவும், ஆனால் சார்புகளைக் கண்காணிக்கவும்: திசைப் பிழை மிகவும் விலை உயர்ந்தது.
• முறை பரிந்துரை மற்றும் குறியீடு உருவாக்க AI ஐப் பயன்படுத்தவும்; முன்னறிவிப்பை அளவிடக்கூடிய கருவியாக அமைக்கவும், "தீர்க்கதரிசனம்" அல்ல.
• பேக்டெஸ்டிங் என்பது ஒரு மாதிரி எவ்வளவு நம்பிக்கையுடன் இருக்க முடியும் என்பதற்கான உண்மையான சோதனையாகும்; குறியீட்டுடன் எண் முடிவுகளை சரிபார்க்கவும்.
• தரவுகளை (வெளியேற்றம், பதவி உயர்வு) சுத்தம் செய்து முடிவை விளக்குவது மனிதனின் வேலை; AI இந்தப் படிகளைத் தவிர்க்கிறது.

விண்ணப்ப பணி

குறைந்தபட்சம் 18-24 கால தேவை தொடரை (உண்மையான அல்லது யதார்த்தமான புனைகதை) வைத்திருக்கவும். முதலில், AI க்கு தொடரைக் கொடுத்து, அதன் தன்மையை (போக்கு/பருவநிலை) விளக்கி, இரண்டு முறைகளைப் பரிந்துரைக்கும்படி கேட்கவும். கடைசி 6 காலகட்டங்களை சோதனைகளாக ஒதுக்கி, குறைந்தபட்சம் இரண்டு முறைகளை ஒப்பிட்டுப் பார்க்க, "பேக்டெஸ்ட் திட்டம்" சக்திவாய்ந்த வரியில் பயன்படுத்தவும். முக்கியமான படி: எக்செல் அல்லது பைதான் மூலம் AI திரும்பப் பெற்ற MAPE மற்றும் சார்பு மதிப்புகளை மீண்டும் கணக்கிட்டு அவற்றை AI வெளியீட்டுடன் ஒப்பிடவும். பொருந்தாத எண்ணை நீங்கள் கண்டால், அதை எழுதவும். இறுதியாக, சார்பின் அடையாளத்தை விளக்குங்கள்: உங்கள் மாதிரி மிகையாக மதிப்பிடுகிறதா அல்லது குறைத்து மதிப்பிடுகிறதா, இது உங்கள் சரக்குக்கு என்ன செய்கிறது?