В статье авторы рассматривают прогнозирование с использованием искусственного интеллекта и машинного обучения, проблемы прогнозирования, методы машинного обучения и его возможности.
Ключевые слова: машинное обучение, искусственный интеллект, естественный язык, компьютерная система, точность прогноза, компания, регрессия.
В связи с увеличением количества данных и повышением мощности компьютеров, качество прогнозов повысилось благодаря разработкам в сфере машинного обучения. После усовершенствования в хранении и сборе большого объема данных появились новые алгоритмы машинного обучения. Сейчас современные компьютеры имеют мощные процессоры, а с помощью новых моделей машинного обучения можно получить более точный прогноз, поэтому данная отрасль информационных технологий получила название «искусственный интеллект». Машинное обучение тесно взаимодействует с искусственным интеллектом, но все же это разные понятия.
Искусственный интеллект — это способность компьютерной системы имитировать когнитивные функции человека, такие как решение проблем и обучение, а также применять логику и математические вычисления для построения рассуждений [2]. Машинное обучение — процесс использования математических представлений данных с целью обучения компьютера без особых инструкций. Поэтому машинное обучение является применением искусственного интеллекта, которое помогает компьютерной системе самостоятельно обучаться и усовершенствоваться. Прогнозирование — это процесс по разработке прогнозной модели или расчету прогноза, в результате которого можно получить предсказание грядущих изменений в значениях временного ряда по итогам его значений в прошлом.
Выделим основные методы машинного обучения.
- Рекуррентные нейронные сети являются одним из самых популярных методов машинного обучения, который используется при разработке естественного языка. Суть такого метода заключается в последовательном использовании информации.
- Градиентный бустинг — это технология, решающая задачи классификации и регрессии, позволяющая спроектировать модель прогнозирования в форме группы слабых моделей прогнозирования, часто деревьев решений. В данном машинном методе используются деревья принятия решений. Такая модель довольно слаба, но при последовательном построении решений минимизируются ошибки и результат становится лучше.
- Распределение гауссовского процесса. Гауссовские процессы успешно применяются для решения различных задач машинного обучения, таких как классификация, регрессия, понижение размерности. С помощью таких методов можно автоматически настроить сложность модели и оценить неопределенность в прогнозе.
- Метод опорных векторов. Суть данного метода заключается в отображении векторов пространства признаков в пространство более высокой размерности [4]. Это связано c линейной разделимостью, поскольку в пространстве меньшей размерности линейная разделимость множества ниже, чем в пространстве большей размерности. Ожидаемое качество распознавания выше, когда больше признаков используется для распознавания объектов.
- Леса с квантильной регрессией — инструмент, который создает модели, а также строит прогнозы адаптируя метод контролируемого машинного обучения произвольного леса Лео Бреймана. Сначала создается лес, то есть множество деревьев решений, которые далее используются для прогнозирования, потом деревья строят свой собственный прогноз и становятся частью схемы предложений для создания конечного прогноза. Завершающее прогнозирование основано не на каком-то отдельном дереве, а на лесе в целом, благодаря чему можно избежать чрезмерной подгонки модели к обучающему набору данных, что происходит при использовании и произвольного поднабора обучающих данных, и независимых переменных для каждого дерева и всего леса [3].
Одна из самых актуальных проблем прогнозирования это проблема «оттока клиентов» [1]. Чтобы компания смогла привлечь клиентов ей необходимо осуществлять затраты, соответственно, отток клиентов стоит дорого. Компания, имея свою клиентскую базу может снизить отток при этом экономя на расходах. В сфере профессиональных услуг, таких как телекоммуникации, страхование и финансовые операции, отток контролируется сложнее всего. Оптимальное решение данной проблемы это с помощью прогностических технологий выявить надежных клиентов.
Когда-то «отток клиентов» прогнозировали с помощью регрессии. Позже данный метод был улучшен. До развития машинного обучения регрессия была эффективна для учета нескольких условий без расчета большого количества средних значений. Даже при условии, что средний показатель окажется верным регрессия может не выдать верный результат. Машинное обучение отличает от регрессии то, что прогноз может быть ошибочным в среднем, но промах незначительный. Регрессия с машинным обучением различаются в способе разработки новых методов. Для разработки новых методов регрессии необходимо проверить их работоспособность в теории, а для разработки новых методов машинного обучения доказать на практике.
Результатом машинного обучения является прогноз, который является важной составляющей интеллекта. Высокая степень точности прогноза, позволяющая машинам выполнять сложные задачи, повышается при обучении
Благодаря связи машинного обучения и искусственного интеллекта, многие компании в основном во всех отраслях открывают для себя новые возможности. Выделим некоторые из них, которые помогают компаниям трансформировать продукты и процессы:
- Прогнозная аналитика. Данная функция дает компаниям возможность прогнозировать закономерности поведения и тенденции путем обнаружения в данных причинно-следственных связей.
- Распознавание речи и естественного языка. Компьютеры с помощью распознавания речи определяют слова на языке речи, а используя распознавание естественного языка выявляют значение произнесенного или написанного текста.
- Системы рекомендаций. Такие системы дают возможность компаниям анализировать данные для предоставления рекомендаций по отдельным продуктам, которые могут быть интересны пользователям.
- Анализ мнений. Анализируя тональность, компьютерная система обнаруживает и классифицирует отрицательные, нейтральные и положительные высказывания в тексте.
- Обработка изображений и видео. Такие возможности позволяют внедрять функцию визуальный поиск, а также распознавать действия в видео и изображениях, а также объекты и лица.
Так, благодаря машинному обучению в ситуации нестабильного спроса можно за неделю адаптироваться к изменениям в потреблении поскольку точность прогноза, например, в категории «товары» около 95 %. Также при планировании акции, используя методы машинного обучения, можно отказаться от корректировки вручную объемов товара.
Главное достижение искусственного интеллекта в сфере прогнозирования это машинное обучение. Машинное обучение не требует специальных возможностей и может вмещать в себя аналоги сложнейших моделей с большим количеством связей между переменными [1].
Литература:
- Агравал А. Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. — Москва: «Манн, Иванов и Фербер», 2019. 336c.
- Искусственный интеллект и машинное обучение, [Электронный ресурс], Режим доступа: https://azure.microsoft.com/ru-ru/overview/artificial-intelligence-ai-vs-machine-learning/#introduction/, дата обращения: 20.05.2022
- Классификация на основе леса и регрессия, [Электронный ресурс], Режим доступа:https://pro.arcgis.com/ru/pro-app/latest/tool-reference/spatial-statistics/how-forest-works.htm/, дата обращения: 20.05.2022
- Машины опорных векторов, [Электронный ресурс], Режим доступа:https://wiki.loginom.ru/articles/support-vector-machines.html/, дата обращения: 20.05.2022
