AI អាចមើលឃើញគំរូដែលភ្នែកទទេខកបាត់ដោយបង្ហាញសញ្ញាដែលមើលទៅដូចជាសំឡេងរំខាននៅពេលដំបូង។ ធ្វើត្រូវ វាប្រែក្លាយអាកប្បកិរិយារញ៉េរញ៉ៃទៅជាការមើលឃើញដែលមានប្រយោជន៍ - ការលក់នៅខែក្រោយ ចរាចរណ៍ថ្ងៃស្អែក កូរនៅចុងត្រីមាសនេះ។ ធ្វើខុស វាជាការគ្រោតគ្រាតដោយទំនុកចិត្ត។ នៅក្នុងការណែនាំនេះ យើងនឹងដើរតាមមេកានិកពិតប្រាកដនៃរបៀបដែល AI Predict Trends ថាតើការឈ្នះមកពីណា និងរបៀបជៀសវាងការបោកបញ្ឆោតដោយតារាងស្អាត។ ខ្ញុំនឹងរក្សាវាឱ្យមានប្រយោជន៍ ជាមួយនឹងការនិយាយពិតមួយចំនួន និងការលើកចិញ្ចើមម្តងម្កាល🙃។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 របៀបវាស់ស្ទង់សមត្ថភាព AI
សូចនាករសំខាន់ៗសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវ ប្រសិទ្ធភាព និងភាពជឿជាក់នៃប្រព័ន្ធ AI ។
🔗 របៀបនិយាយជាមួយ AI
គន្លឹះជាក់ស្តែងសម្រាប់ការទំនាក់ទំនងជាមួយ AI ដើម្បីបង្កើនគុណភាពឆ្លើយតប។
🔗 អ្វីទៅជាការជំរុញ AI
ការពន្យល់ច្បាស់លាស់អំពីរបៀបដែលជម្រុញឱ្យមានឥទ្ធិពលលើឥរិយាបថ និងលទ្ធផលរបស់ AI ។
🔗 អ្វីទៅជាការដាក់ស្លាកទិន្នន័យ AI
ការណែនាំអំពីការដាក់ស្លាកទិន្នន័យប្រកបដោយប្រសិទ្ធភាពសម្រាប់ការបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន។
អ្វីដែលធ្វើឱ្យការទស្សន៍ទាយនិន្នាការ AI ល្អ ✅
នៅពេលដែលមនុស្សសួរពីរបៀបដែល AI Predict Trends ជាធម្មតាពួកគេមានន័យថា៖ តើវាព្យាករណ៍ដោយរបៀបណានូវអ្វីដែលមិនច្បាស់លាស់ដែលកើតឡើងម្តងទៀត។ ការទស្សន៍ទាយនិន្នាការល្អមានធាតុផ្សំគួរឱ្យធុញ ប៉ុន្តែស្រស់ស្អាតមួយចំនួន៖
-
ទិន្នន័យដែលមានសញ្ញា - អ្នកមិនអាចច្របាច់ទឹកក្រូចចេញពីថ្មបានទេ។ អ្នកត្រូវការតម្លៃ និងបរិបទពីអតីតកាល។
-
លក្ខណៈពិសេសដែលឆ្លុះបញ្ចាំងពីការពិត - រដូវកាល ថ្ងៃឈប់សម្រាក ការផ្សព្វផ្សាយ បរិបទម៉ាក្រូ សូម្បីតែអាកាសធាតុ។ មិនមែនទាំងអស់នោះទេ គ្រាន់តែជាឧបករណ៍ដែលផ្លាស់ទីម្ជុលរបស់អ្នក។
-
ម៉ូដែលដែលសមនឹងនាឡិកា - វិធីសាស្រ្តដឹងពីពេលវេលាដែលគោរពតាមលំដាប់លំដោយ គម្លាត និងរសាត់។
-
ការវាយតម្លៃដែលឆ្លុះបញ្ចាំងពីការដាក់ពង្រាយ - ការធ្វើតេស្តត្រឡប់មកវិញដែលធ្វើត្រាប់តាមរបៀបដែលអ្នកពិតជានឹងទស្សន៍ទាយ។ ហាមលួចមើល [2]។
-
ការត្រួតពិនិត្យការផ្លាស់ប្តូរ - ការផ្លាស់ប្តូរពិភពលោក; គំរូរបស់អ្នកក៏គួរតែ [5] ។
នោះហើយជាគ្រោងឆ្អឹង។ នៅសល់គឺសាច់ដុំ សរសៃពួរ និងជាតិកាហ្វេអ៊ីនតិចតួច។
បំពង់ស្នូល៖ របៀបដែល AI ទស្សន៍ទាយនិន្នាការពីទិន្នន័យឆៅដើម្បីព្យាករណ៍🧪
-
ប្រមូល និងតម្រឹមទិន្នន័យ
បញ្ចូលគ្នានូវស៊េរីគោលដៅ បូករួមទាំងសញ្ញាខាងក្រៅ។ ប្រភពធម្មតា៖ កាតាឡុកផលិតផល ការចំណាយលើការផ្សាយពាណិជ្ជកម្ម តម្លៃ សន្ទស្សន៍ម៉ាក្រូ និងព្រឹត្តិការណ៍។ តម្រឹមត្រាពេលវេលា ដោះស្រាយតម្លៃដែលបាត់ ធ្វើស្តង់ដារឯកតា។ វាមិនគួរឱ្យចាប់អារម្មណ៍ទេ ប៉ុន្តែសំខាន់ណាស់។ -
លក្ខណៈពិសេសរបស់វិស្វករ
បង្កើតការយឺតយ៉ាវ មធ្យោបាយរំកិល កាណូទីលដែលកំពុងផ្លាស់ទី ទង់ថ្ងៃនៃសប្តាហ៍ និងសូចនាករជាក់លាក់តាមដែន។ សម្រាប់ការកែតម្រូវតាមរដូវ អ្នកអនុវត្តជាច្រើនបំបែកស៊េរីទៅជាសមាសធាតុនិន្នាការ រដូវកាល និងសំណល់មុនពេលធ្វើគំរូ។ កម្មវិធី X-13 របស់ការិយាល័យជំរឿនសហរដ្ឋអាមេរិកគឺជាឯកសារយោងសម្រាប់របៀប និងមូលហេតុដែលវាដំណើរការ [1]។ -
ជ្រើសរើសគ្រួសារគំរូ
អ្នកមានធុងធំបី៖
-
ស្ថិតិបុរាណ៖ ARIMA, ETS, state-space/Kalman។ អាចបកស្រាយបាន និងរហ័ស។
-
ការរៀនម៉ាស៊ីន៖ ការបង្កើនកម្រិតជម្រាល ព្រៃចៃដន្យជាមួយនឹងលក្ខណៈពិសេសដែលដឹងពីពេលវេលា។ អាចបត់បែនបានតាមស៊េរីជាច្រើន។
-
ការរៀនសូត្រស៊ីជម្រៅ៖ LSTM, Temporal CNNs, Transformers។ មានប្រយោជន៍នៅពេលដែលអ្នកមានទិន្នន័យច្រើន និងរចនាសម្ព័ន្ធស្មុគស្មាញ។
-
ការធ្វើតេស្តថយក្រោយឲ្យបានត្រឹមត្រូវ
ការផ្ទៀងផ្ទាត់ឆ្លងស៊េរីពេលវេលាប្រើប្រភពដើមរំកិល ដូច្នេះអ្នកមិនដែលហ្វឹកហាត់លើអនាគតទេ ខណៈពេលកំពុងធ្វើតេស្តអតីតកាល។ វាជាភាពខុសគ្នារវាងភាពត្រឹមត្រូវដោយស្មោះត្រង់ និងការគិតបែបស្រមើស្រមៃ [2]។ -
ការព្យាករណ៍ កំណត់បរិមាណភាពមិនប្រាកដប្រជា និងដឹកជញ្ជូន
ការព្យាករណ៍ត្រលប់មកវិញជាមួយនឹងចន្លោះពេល តាមដានកំហុស និងការហ្វឹកហាត់ឡើងវិញនៅពេលដែលពិភពលោករសាត់។ សេវាកម្មដែលគ្រប់គ្រងជាទូទៅ មាត្រដ្ឋានភាពត្រឹមត្រូវលើផ្ទៃ (ឧ. MAPE, WAPE, MASE) និងវិនដូតេស្តខាងក្រោយចេញពីប្រអប់ ដែលធ្វើឲ្យការគ្រប់គ្រង និងផ្ទាំងគ្រប់គ្រងកាន់តែងាយស្រួល [3]។
រឿងរ៉ាវសង្គ្រាមរហ័សមួយ៖ នៅក្នុងការបើកដំណើរការមួយ យើងបានចំណាយពេលបន្ថែមមួយថ្ងៃលើមុខងារប្រតិទិន (ថ្ងៃឈប់សម្រាកក្នុងតំបន់ + ទង់ផ្សព្វផ្សាយ) ហើយបានកាត់បន្ថយកំហុសឆ្គងនៅដើមដំបូងគួរឱ្យកត់សម្គាល់ជាងការប្តូរម៉ូដែល។ គុណភាពមុខងារល្អជាងភាពថ្មីថ្មោងនៃម៉ូដែល - ប្រធានបទដែលអ្នកនឹងឃើញម្តងទៀត។
តារាងប្រៀបធៀប៖ ឧបករណ៍ដែលជួយ AI ទស្សន៍ទាយនិន្នាការ🧰
មិនល្អឥតខ្ចោះតាមគោលបំណង - តុពិតប្រាកដមួយដែលមានលក្ខណៈពិសេសរបស់មនុស្សមួយចំនួន។
| ឧបករណ៍ / ជង់ | ទស្សនិកជនល្អបំផុត | តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ ... ប្រភេទ | កំណត់ចំណាំ |
|---|---|---|---|---|
| ហោរា | អ្នកវិភាគផលិតផល | ឥតគិតថ្លៃ | រដូវកាល + វិស្សមកាលត្រូវបានដុតនំ ឈ្នះរហ័ស | ល្អសម្រាប់មូលដ្ឋាន; យល់ព្រមជាមួយ outliers |
| ម៉ូដែល ARIMA | អ្នកវិទ្យាសាស្ត្រទិន្នន័យ | ឥតគិតថ្លៃ | ឆ្អឹងខ្នងបុរាណរឹង - អាចបកស្រាយបាន។ | ត្រូវការការថែទាំដោយភាពស្ថិតស្ថេរ |
| Google Vertex AI ព្យាករណ៍ | ក្រុមតាមខ្នាត | ថ្នាក់បង់ | មុខងារ AutoML + ឧបករណ៍ប្រើប្រាស់ + ទំពក់ដាក់ពង្រាយ | ងាយស្រួលប្រសិនបើអ្នកមាននៅលើ GCP រួចហើយ។ ឯកសារមានភាពហ្មត់ចត់។ |
| ការព្យាករណ៍របស់ Amazon | ក្រុមទិន្នន័យ/ML នៅលើ AWS | ថ្នាក់បង់ | ការធ្វើតេស្តថយក្រោយ រង្វាស់ភាពត្រឹមត្រូវ ចំណុចបញ្ចប់ដែលអាចធ្វើមាត្រដ្ឋានបាន។ | ម៉ែត្រដូចជា MAPE, WAPE, MASE អាចប្រើបាន [3] ។ |
| GluonTS | អ្នកស្រាវជ្រាវ, ML engs | ឥតគិតថ្លៃ | ស្ថាបត្យកម្មជ្រៅ ៗ ជាច្រើនអាចពង្រីកបាន។ | កូដកាន់តែច្រើន ការគ្រប់គ្រងកាន់តែច្រើន |
| ខាត់ | អ្នកពិសោធន៍ | ឥតគិតថ្លៃ | កញ្ចប់ឧបករណ៍របស់មេតា - ឧបករណ៍រាវរក អ្នកព្យាករណ៍ ការវិនិច្ឆ័យ | ភាពរំជើបរំជួលរបស់កងទ័ពស្វីស ពេលខ្លះមានការជជែកគ្នា។ |
| គន្លង | ព្យាករណ៍គុណសម្បត្តិ | ឥតគិតថ្លៃ | ម៉ូដែល Bayesian ចន្លោះពេលគួរឱ្យទុកចិត្ត | ល្អណាស់បើអ្នកស្រលាញ់មុន។ |
| ការព្យាករណ៍ PyTorch | អ្នកសិក្សាជ្រៅ | ឥតគិតថ្លៃ | រូបមន្ត DL ទំនើប ងាយស្រួលប្រើច្រើនស៊េរី | នាំយក GPUs អាហារសម្រន់ |
បាទ ឃ្លាគឺមិនស្មើគ្នា។ នោះជាជីវិតពិត។
វិស្វកម្មលក្ខណៈពិសេសដែលពិតជាផ្លាស់ទីម្ជុល🧩
ចម្លើយដ៏សាមញ្ញបំផុតចំពោះរបៀបដែល AI Predict Trends គឺនេះ៖ យើងបង្វែរស៊េរីទៅជាតារាងសិក្សាដែលមានការគ្រប់គ្រងដែលចងចាំពេលវេលា។ ចលនាឆ្ពោះទៅកាន់មួយចំនួន៖
-
ភាពយឺតយ៉ាវ និងបង្អួច៖ រួមមាន y[t-1], y[t-7], y[t-28] បូករួមទាំងមធ្យោបាយរំកិល និងស្តង់ដារអភិវឌ្ឍន៍។ វាចាប់យកសន្ទុះ និងនិចលភាព។
-
សញ្ញានៃរដូវកាល៖ ខែ សប្តាហ៍ ថ្ងៃនៃសប្តាហ៍ ម៉ោងនៃថ្ងៃ។ ពាក្យ Fourier ផ្តល់នូវខ្សែកោងតាមរដូវកាលដោយរលូន។
-
ប្រតិទិន និងព្រឹត្តិការណ៍៖ ថ្ងៃឈប់សម្រាក ការដាក់ឱ្យដំណើរការផលិតផលថ្មី ការផ្លាស់ប្តូរតម្លៃ ការផ្សព្វផ្សាយ។ បែបផែនថ្ងៃឈប់សម្រាកបែបព្យាការីគ្រាន់តែជាលក្ខណៈពិសេសដែលមានបុព្វបុរសប៉ុណ្ណោះ។
-
ការរលួយ៖ ដកសមាសធាតុតាមរដូវ ហើយយកគំរូដែលនៅសល់នៅពេលដែលលំនាំរឹងមាំ។ X-13 គឺជាមូលដ្ឋានដែលបានសាកល្បងយ៉ាងល្អសម្រាប់រឿងនេះ។
-
អ្នកតំរែតំរង់ខាងក្រៅ៖ អាកាសធាតុ សន្ទស្សន៍ម៉ាក្រូ ការមើលទំព័រ ចំណាប់អារម្មណ៍ស្វែងរក។
-
ការណែនាំអំពីអន្តរកម្ម៖ ឈើឆ្កាងសាមញ្ញដូចជា promo_flag × day_of_week។ វាមើលទៅមិនសូវស្អាតទេ ប៉ុន្តែជារឿយៗវាដំណើរការ។
ប្រសិនបើអ្នកមានស៊េរីដែលទាក់ទងច្រើន-និយាយថា SKUs រាប់ពាន់- អ្នកអាចបញ្ចូលព័ត៌មានឆ្លងកាត់ពួកវាជាមួយគំរូតាមឋានានុក្រម ឬសកល។ នៅក្នុងការអនុវត្ត គំរូដែលជំរុញកម្រិតជម្រាលជាសកលជាមួយនឹងលក្ខណៈពិសេសដែលដឹងពីពេលវេលា តែងតែវាយលើសទម្ងន់របស់វា។
ការជ្រើសរើសគ្រួសារគំរូ៖ ជម្លោះមិត្តភាព 🤼♀️
-
ARIMA/ETS
៖ អាចបកស្រាយបាន លឿន និងជាបន្ទាត់មូលដ្ឋានរឹងមាំ។ គុណវិបត្តិ៖ ការលៃតម្រូវក្នុងមួយស៊េរីអាចមានភាពរអាក់រអួលក្នុងទ្រង់ទ្រាយធំ។ ទំនាក់ទំនងស្វ័យប្រវត្តិដោយផ្នែកអាចជួយបង្ហាញការបញ្ជាទិញ ប៉ុន្តែកុំរំពឹងថានឹងមានអព្ភូតហេតុ។ -
នៃការជំរុញកម្រិតជម្រាល
៖ គ្រប់គ្រងលក្ខណៈពិសេសតារាង រឹងមាំដល់សញ្ញាចម្រុះ អស្ចារ្យជាមួយស៊េរីពាក់ព័ន្ធជាច្រើន។ គុណវិបត្តិ៖ អ្នកត្រូវតែវិស្វករលក្ខណៈពិសេសពេលវេលាឱ្យបានល្អ និងគោរពបុព្វហេតុ។ -
ការរៀនសូត្រស៊ីជម្រៅ
គុណសម្បត្តិ៖ ចាប់យកលំនាំមិនមែនលីនេអ៊ែរ និងលំនាំឆ្លងស៊េរី។ គុណវិបត្តិ៖ ទិន្នន័យច្រើន ពិបាកបំបាត់កំហុស។ នៅពេលដែលអ្នកមានបរិបទសម្បូរបែប ឬប្រវត្តិវែងឆ្ងាយ វាអាចលេចធ្លោ។ បើមិនដូច្នោះទេ វាជារថយន្តស្ព័រនៅក្នុងចរាចរណ៍ម៉ោងមមាញឹក។ -
លាយបញ្ចូលគ្នា និងការរួមបញ្ចូលគ្នា
ចូរយើងនិយាយដោយស្មោះត្រង់ទៅ ការដាក់ស្រទាប់មូលដ្ឋានតាមរដូវកាលជាមួយនឹងសារធាតុជំរុញជម្រាល និងការលាយបញ្ចូលគ្នាជាមួយ LSTM ទម្ងន់ស្រាល គឺជាសេចក្តីរីករាយដែលមិនមែនជារឿងចម្លែកនោះទេ។ ខ្ញុំបានត្រឡប់ទៅរក “ភាពបរិសុទ្ធនៃម៉ូដែលតែមួយ” ច្រើនដងជាងអ្វីដែលខ្ញុំទទួលស្គាល់។
បុព្វហេតុទល់នឹងការជាប់ទាក់ទងគ្នា៖ ដោះស្រាយដោយយកចិត្តទុកដាក់ 🧭
គ្រាន់តែបន្ទាត់ពីររង្គើចូលគ្នាមិនមានន័យថាបន្ទាត់មួយជំរុញមួយទៀតនោះទេ។ មូលហេតុនៃ Granger ថាតើការបន្ថែមកត្តាជំរុញបេក្ខជនធ្វើអោយប្រសើរឡើងនូវការព្យាករណ៍សម្រាប់គោលដៅដែរឬទេ ដោយផ្អែកលើប្រវត្តិរបស់វា។ វានិយាយអំពីប្រយោជន៍នៃការព្យាករណ៍ក្រោមសម្មតិកម្មលីនេអ៊ែរ មិនមែនជាមូលហេតុនៃទស្សនវិជ្ជាទេ - ជាភាពខុសគ្នាដ៏ស្រទន់ ប៉ុន្តែសំខាន់ [4]។
នៅក្នុងការផលិត អ្នកនៅតែពិនិត្យអនាម័យជាមួយនឹងចំណេះដឹងអំពីដែន។ ឧទាហរណ៍៖ ផលប៉ះពាល់ថ្ងៃធ្វើការគឺសំខាន់សម្រាប់ការលក់រាយ ប៉ុន្តែការបន្ថែមការចុចផ្សាយពាណិជ្ជកម្មកាលពីសប្តាហ៍មុនអាចនឹងលែងមាន ប្រសិនបើការចំណាយមាននៅក្នុងគំរូរួចហើយ។
Backtesting & Metrics៖ កន្លែងដែលកំហុសភាគច្រើនលាក់🔍
ដើម្បីវាយតម្លៃពីរបៀបដែល AI ទស្សន៍ទាយនិន្នាការជាក់ស្តែង ធ្វើត្រាប់តាមរបៀបដែលអ្នកនឹងព្យាករណ៍នៅក្នុងធម្មជាតិ៖
-
Rolling-origin cross-validation: ហ្វឹកហាត់ម្តងហើយម្តងទៀតលើទិន្នន័យមុន ហើយព្យាករណ៍ពីកំណាត់បន្ទាប់។ វាគោរពតាមលំដាប់ពេលវេលា និងការពារការលេចធ្លាយនាពេលអនាគត [2] ។
-
មាត្រដ្ឋានកំហុស៖ ជ្រើសរើសអ្វីដែលសមនឹងការសម្រេចចិត្តរបស់អ្នក។ រង្វាស់ភាគរយដូចជា MAPE គឺពេញនិយម ប៉ុន្តែការវាស់វែងទម្ងន់ (WAPE) ឬម៉ែត្រគ្មានមាត្រដ្ឋាន (MASE) ជាញឹកញាប់មានឥរិយាបទប្រសើរជាងសម្រាប់ផលប័ត្រ និងសរុប [3]។
-
ចន្លោះពេលព្យាករណ៍៖ កុំគ្រាន់តែផ្តល់ចំណុចមួយ។ បង្ហាញពីភាពមិនប្រាកដប្រជា។ នាយកប្រតិបត្តិកម្រចូលចិត្តចន្លោះពេលណាស់ ប៉ុន្តែពួកគេចូលចិត្តការភ្ញាក់ផ្អើលតិចជាង។
gotcha ដ៏តូចមួយ៖ នៅពេលដែលធាតុអាចជាសូន្យ ការវាស់វែងភាគរយមានភាពចំលែក។ ចូលចិត្តកំហុសដាច់ខាត ឬមាត្រដ្ឋាន ឬបន្ថែមអុហ្វសិតតូច - គ្រាន់តែត្រូវគ្នាប៉ុណ្ណោះ។
ការរសាត់កើតឡើង៖ ការរកឃើញ និងការសម្របខ្លួនទៅនឹងការផ្លាស់ប្តូរ🌊
ការផ្លាស់ប្តូរទីផ្សារ ចំណូលចិត្តរសាត់ អាយុកាលឧបករណ៍ចាប់សញ្ញា។ ការរសាត់នៃគំនិត គឺជាការចាប់បានទាំងអស់ នៅពេលដែលទំនាក់ទំនងរវាងធាតុចូល និងគោលដៅវិវឌ្ឍ។ អ្នកអាចត្រួតពិនិត្យមើលការរសាត់ដោយការធ្វើតេស្ដស្ថិតិ កំហុសបង្អួចរអិល ឬការត្រួតពិនិត្យការចែកចាយទិន្នន័យ។ បន្ទាប់មកជ្រើសរើសយុទ្ធសាស្ត្រ៖ បង្អួចបណ្តុះបណ្តាលខ្លីជាង ការបណ្តុះបណ្តាលតាមកាលកំណត់ ឬគំរូសម្របខ្លួនដែលធ្វើបច្ចុប្បន្នភាពលើអ៊ីនធឺណិត។ ការស្ទង់មតិលើវាលបង្ហាញពីប្រភេទរសាត់ច្រើន និងគោលការណ៍បន្សាំ។ គ្មានគោលការណ៍តែមួយសមនឹងទាំងអស់ [5] ។
សៀវភៅលេងដែលមានប្រយោជន៍៖ កំណត់កម្រិតនៃការជូនដំណឹងអំពីកំហុសនៃការព្យាករណ៍ផ្ទាល់ ហ្វឹកហាត់ឡើងវិញតាមកាលវិភាគ និងរក្សាការគ្រោងទុកជាមូលដ្ឋាន។ មិនរលោង - មានប្រសិទ្ធភាពណាស់។
ការពន្យល់៖ បើកប្រអប់ខ្មៅដោយមិនបំបែកវា🔦
អ្នកពាក់ព័ន្ធសួរថាហេតុអ្វីបានជាការព្យាករណ៍កើនឡើង។ សមហេតុផល។ ឧបករណ៍ដែលមិនពឹងផ្អែកលើគំរូដូចជា SHAP សន្មតការព្យាករណ៍ទៅនឹងលក្ខណៈពិសេសតាមទ្រឹស្តី ដែលជួយអ្នកឱ្យមើលឃើញថាតើរដូវកាល តម្លៃ ឬស្ថានភាពផ្សព្វផ្សាយបានជំរុញចំនួននេះដែរឬទេ។ វានឹងមិនបញ្ជាក់ពីមូលហេតុទេ ប៉ុន្តែវាធ្វើអោយប្រសើរឡើងនូវទំនុកចិត្ត និងការបំបាត់កំហុស។
នៅក្នុងការសាកល្បងផ្ទាល់របស់ខ្ញុំ និមិត្តសញ្ញាប្រចាំសប្តាហ៍ និងការផ្សព្វផ្សាយមាននិន្នាការគ្របដណ្តប់លើការព្យាករណ៍ការលក់រាយរយៈពេលខ្លី ខណៈដែលជើងមេឃដ៏វែងផ្លាស់ប្តូរឆ្ពោះទៅរកម៉ាក្រូប្រូកស៊ី។ ចម្ងាយរបស់អ្នកនឹងប្រែប្រួល - រីករាយ។
Cloud & MLOps៖ ការព្យាករណ៍ការដឹកជញ្ជូនដោយគ្មានខ្សែ 🚚
ប្រសិនបើអ្នកចូលចិត្តវេទិកាគ្រប់គ្រង៖
-
Google Vertex AI Forecast ផ្តល់ឱ្យនូវដំណើរការការងារដែលបានណែនាំសម្រាប់ការបញ្ចូលស៊េរីពេលវេលា ដំណើរការការព្យាករណ៍ AutoML ការធ្វើតេស្តត្រឡប់មកវិញ និងការដាក់ពង្រាយចំណុចបញ្ចប់។ វាក៏លេងបានយ៉ាងល្អជាមួយនឹងជង់ទិន្នន័យទំនើបផងដែរ។
-
Amazon Forecast ផ្តោតលើការដាក់ពង្រាយទ្រង់ទ្រាយធំ ជាមួយនឹងការធ្វើតេស្តត្រលប់ក្រោយស្តង់ដារ និងមាត្រដ្ឋានភាពត្រឹមត្រូវដែលអ្នកអាចទាញបានតាមរយៈ API ដែលជួយជាមួយនឹងការគ្រប់គ្រង និងផ្ទាំងគ្រប់គ្រង [3]។
ផ្លូវណាមួយកាត់បន្ថយបន្ទះកំដៅ។ គ្រាន់តែរក្សាភ្នែកមួយលើការចំណាយ និងមួយទៀតលើខ្សែទិន្នន័យ ភ្នែកពីរសរុបមានល្បិច ប៉ុន្តែអាចធ្វើបាន។
ការឆ្លងកាត់ករណីខ្នាតតូច៖ ពីការចុចឆៅទៅសញ្ញានិន្នាការ 🧭✨
ចូរស្រមៃថាអ្នកកំពុងព្យាករណ៍ការចុះឈ្មោះប្រចាំថ្ងៃសម្រាប់កម្មវិធី freemium៖
-
ទិន្នន័យ៖ ទាញការចុះឈ្មោះប្រចាំថ្ងៃ ការចំណាយលើការផ្សាយពាណិជ្ជកម្មតាមប៉ុស្តិ៍ ការបិទគេហទំព័រ និងប្រតិទិនផ្សព្វផ្សាយសាមញ្ញ។
-
លក្ខណៈពិសេស: យឺត 1, 7, 14; មធ្យោបាយរំកិលរយៈពេល 7 ថ្ងៃ; ទង់ជាតិថ្ងៃនៃសប្តាហ៍; ទង់ផ្សព្វផ្សាយគោលពីរ; ពាក្យតាមរដូវ Fourier; និងនៅសល់តាមរដូវដែលខូច ដូច្នេះគំរូផ្តោតលើផ្នែកដែលមិនកើតឡើងម្តងទៀត។ ការខូចទ្រង់ទ្រាយតាមរដូវកាលគឺជាការផ្លាស់ប្តូរបុរាណនៅក្នុងស្ថិតិផ្លូវការឈ្មោះការងារដែលគួរឱ្យធុញ ប្រាក់ឈ្នួលធំ [1] ។
-
គំរូ៖ ចាប់ផ្តើមជាមួយឧបករណ៍តំរែតំរង់ដែលជំរុញដោយជម្រាលជាគំរូសកលនៅទូទាំងភូមិសាស្ត្រទាំងអស់។
-
Backtest: ប្រភពដើមនៃការវិលជាមួយនឹងផ្នត់ប្រចាំសប្តាហ៍។ បង្កើនប្រសិទ្ធភាព WAPE នៅលើផ្នែកអាជីវកម្មចម្បងរបស់អ្នក។ ការធ្វើតេស្តត្រឡប់មកវិញដោយគោរពពេលវេលាគឺមិនអាចចរចារបានសម្រាប់លទ្ធផលគួរឱ្យទុកចិត្ត [2] ។
-
ពន្យល់៖ ពិនិត្យមើលគុណលក្ខណៈលក្ខណៈពិសេសប្រចាំសប្តាហ៍ ដើម្បីមើលថាតើទង់ផ្សព្វផ្សាយកំពុងធ្វើអ្វីក្រៅពីមើលទៅឡូយនៅក្នុងស្លាយ។
-
ម៉ូនីទ័រ៖ ប្រសិនបើផលប៉ះពាល់នៃការផ្សព្វផ្សាយរសាត់បាត់ ឬគំរូថ្ងៃធ្វើការផ្លាស់ប្តូរបន្ទាប់ពីការផ្លាស់ប្តូរផលិតផល សូមបង្កឱ្យមានការហ្វឹកហាត់ឡើងវិញ។ ការរសាត់មិនមែនជាកំហុសទេ - វាជាថ្ងៃពុធ [5]។
លទ្ធផល៖ ការព្យាករណ៍ដែលអាចទុកចិត្តបានជាមួយនឹងខ្សែភាពជឿជាក់ បូកនឹងផ្ទាំងគ្រប់គ្រងដែលនិយាយថាអ្វីដែលបានផ្លាស់ប្តូរម្ជុល។ ការជជែកគ្នាតិច សកម្មភាពកាន់តែច្រើន។
រណ្តៅ & ទេវកថាដើម្បីដើរដោយស្ងៀមស្ងាត់🚧
-
ទេវកថា៖ លក្ខណៈពិសេសកាន់តែច្រើនគឺតែងតែប្រសើរជាង។ ទេ មុខងារមិនពាក់ព័ន្ធច្រើនពេកនាំឱ្យមានភាពសមល្មម។ រក្សាអ្វីដែលជួយ backtest និងតម្រឹមជាមួយនឹងន័យដែន។
-
ទេវកថា៖ សំណាញ់ជ្រៅវាយអ្វីៗគ្រប់យ៉ាង។ ជួនកាល បាទ ច្រើនតែអត់។ ប្រសិនបើទិន្នន័យខ្លី ឬរំខាន វិធីសាស្ត្របុរាណឈ្នះលើស្ថិរភាព និងតម្លាភាព។
-
គ្រោះថ្នាក់៖ ការលេចធ្លាយ។ ការអនុញ្ញាតឱ្យព័ត៌មានថ្ងៃស្អែកចូលទៅក្នុងការបណ្តុះបណ្តាលថ្ងៃនេះដោយចៃដន្យនឹងធ្វើឱ្យម៉ែត្ររបស់អ្នកមើលទៅហាក់ដូចជាមានមោទនភាព និងដាក់ទណ្ឌកម្មដល់ផលិតកម្មរបស់អ្នក [2]។
-
Pitfall: ដេញតាមទសភាគចុងក្រោយ។ ប្រសិនបើខ្សែសង្វាក់ផ្គត់ផ្គង់របស់អ្នកមានភាពច្របូកច្របល់ ការជជែកវែកញែករវាង 7.3 និង 7.4 ភាគរយកំហុសគឺជាល្ខោន។ ផ្តោតលើកម្រិតនៃការសម្រេចចិត្ត។
-
ទេវកថា៖ បុព្វហេតុពីការជាប់ទាក់ទងគ្នា។ ការធ្វើតេស្តហ្គ្រេនហ្គឺរពិនិត្យមើលភាពមានប្រយោជន៍ក្នុងការទស្សន៍ទាយ មិនមែនជាការពិតបែបទស្សនវិជ្ជាទេ ប្រើពួកវាជារបាំងការពារ មិនមែនជាដំណឹងល្អ [4]។
បញ្ជីត្រួតពិនិត្យការអនុវត្ត អ្នកអាចចម្លង-បិទភ្ជាប់📋
-
កំណត់ជើងមេឃ កម្រិតសរុប និងការសម្រេចចិត្តដែលអ្នកនឹងបើកបរ។
-
បង្កើតលិបិក្រមពេលវេលាស្អាត បំពេញ ឬដាក់ទង់ និងតម្រឹមទិន្នន័យខាងក្រៅ។
-
ភាពយឺតយ៉ាវនៃសិប្បកម្ម ស្ថិតិរំកិល ទង់តាមរដូវកាល និងលក្ខណៈពិសេសដែនមួយចំនួនដែលអ្នកទុកចិត្ត។
-
ចាប់ផ្តើមជាមួយនឹងមូលដ្ឋានដ៏រឹងមាំ បន្ទាប់មកធ្វើម្តងទៀតទៅគំរូស្មុគស្មាញជាងប្រសិនបើចាំបាច់។
-
ប្រើការធ្វើតេស្តត្រឡប់ដើមវិញជាមួយនឹងម៉ែត្រដែលត្រូវនឹងអាជីវកម្មរបស់អ្នក [2][3]។
-
បន្ថែមចន្លោះពេលព្យាករណ៍ - មិនមែនជាជម្រើសទេ។
-
នាវា ត្រួតពិនិត្យការរសាត់ និងហ្វឹកហាត់ឡើងវិញតាមកាលវិភាគ បូកនឹងការជូនដំណឹង [5] ។
យូរពេក អត់បានអានទេ - ចំណាំចុងក្រោយ💬
ការពិតសាមញ្ញអំពីរបៀបដែល AI ទស្សន៍ទាយនិន្នាការ៖ វាតិចជាងអំពីក្បួនដោះស្រាយវេទមន្ត និងច្រើនទៀតអំពីការរចនាដែលមានវិន័យ និងដឹងពីពេលវេលា។ ទទួលបានទិន្នន័យ និងលក្ខណៈពិសេសឱ្យបានត្រឹមត្រូវ វាយតម្លៃដោយស្មោះត្រង់ ពន្យល់យ៉ាងសាមញ្ញ និងសម្របតាមការផ្លាស់ប្តូរការពិត។ វាដូចជាការសម្រួលវិទ្យុដោយមានប៊ូតុងមានជាតិខាញ់បន្តិច ពេលខ្លះឋិតិវន្ត ប៉ុន្តែពេលស្ថានីយចូលមក វាច្បាស់គួរឲ្យភ្ញាក់ផ្អើល។
ប្រសិនបើអ្នកដករបស់មួយចេញ៖ គោរពពេលវេលា ធ្វើឱ្យមានសុពលភាពដូចមនុស្សសង្ស័យ ហើយបន្តតាមដាន។ នៅសល់គឺគ្រាន់តែជាឧបករណ៍និងរសជាតិ។
ឯកសារយោង
-
ការិយាល័យជំរឿនសហរដ្ឋអាមេរិក - កម្មវិធីកែតម្រូវតាមរដូវកាល X-13ARIMA-SEATS។ តំណភ្ជាប់
-
Hyndman និង Athanasopoulos - ការព្យាករណ៍៖ គោលការណ៍ និងការអនុវត្ត (FPP3), §5.10 ការផ្ទៀងផ្ទាត់ឆ្លងស៊េរីពេលវេលា។ តំណភ្ជាប់
-
សេវាកម្មគេហទំព័រ Amazon - ការវាយតម្លៃភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ (ការព្យាករណ៍ Amazon)។ តំណភ្ជាប់
-
សាកលវិទ្យាល័យហ៊ូស្តុន - Granger Causality (កំណត់ចំណាំការបង្រៀន)។ តំណភ្ជាប់
-
ហ្គាម៉ា et al ។ - ការស្ទាបស្ទង់មតិលើការសម្របខ្លួនតាមបែប Drift (កំណែបើកចំហ) ។ តំណភ្ជាប់