Makina Ikaskuntzaren Iragarpena vs. Giza Adituen Iragarpena
Makina-ikaskuntzaren bidezko iragarpenak datu historikoetan trebatutako algoritmoetan oinarritzen dira etorkizuneko emaitzak aurreikusteko, eta giza adituen iragarpenak, berriz, epaiketa profesionalean, domeinu-ezagutzan eta testuinguru-arrazoibidean oinarritzen dira. Bi ikuspegiek indargune desberdinak dituzte, eta erakunde askok konbinatzen dituzte orain iragarpen zehatzagoak egiteko.
Nabarmendunak
Makina-ikaskuntza eskala eta ereduak detektatzen bikaina da, gizakiak, berriz, egoera berrietan eta testuinguru-arrazoitzean.
Superaurreikusle nagusiek algoritmoak % 30 inguru gainditu dituzte geopolitika iragarpen zereginetan.
ML ereduek berriro trebatu behar dute aurrekaririk gabeko gertaerak kudeatzeko, giza adituek, berriz, denbora errealean egokitu daitezkeen bitartean.
Gizakia parte hartzen duten sistema hibridoak gero eta gehiago hartzen dira kontuan arrisku handiko iragarpenetarako urrezko estandar gisa.
Zer da Makina Ikaskuntzaren Aurreikuspena?
Datuetan oinarritutako ikuspegi bat, datu-multzo historikoetan entrenatutako algoritmoak erabiltzen dituena ereduak identifikatzeko eta etorkizuneko gertaerei buruzko iragarpenak sortzeko.
Makina-ikaskuntzako aurreikuspen-ereduek datu historiko kopuru handietatik ikasten dute, arauekin esplizituki programatu beharrean.
Algoritmo ohikoenen artean ARIMA, Prophet, LSTM sare neuronalak eta XGBoost bezalako gradientea handitzeko metodoak daude.
Modelo hauek bikainak dira gizakientzat eskuz antzematea zaila litzaiekeen eredu konplexu eta ez-linealak detektatzeko.
Errendimendua normalean hobetzen da entrenamendu-datu gehiago eskuragarri dauden heinean, datuen kalitatea altua izaten jarraitzen duela suposatuz.
ML iragarpena eskaintzen duten plataforma ezagunen artean Amazon Forecast, Google Vertex AI eta scikit-learn eta TensorFlow bezalako kode irekiko liburutegiak daude.
Zer da Giza Adituen Iragarpena?
Epaiketa-oinarritutako ikuspegia, non domeinu-espezialistek esperientzia, intuizioa eta testuinguruaren ulermena erabiltzen dituzten etorkizuneko emaitzei buruzko iragarpenak egiteko.
Giza adituen iragarpena formalki aztertu da 1970eko hamarkadaz geroztik, batez ere Philip Tetlock-ek superiragarleei buruz egindako ikerketaren bidez.
Adituek datuek bakarrik jaso ezin dituzten informazio kualitatiboa sar dezakete, hala nola giro politikoa, kontsumitzaileen sentimendua edo joera berriak.
Ikerketek erakusten dute hainbat adituren iragarpen agregatuek askotan adituen iragarpen indibidualak baino gehiago egiten dituztela.
Tetlock-en Good Judgment Project-ek aurkitu zuen errendimendu oneneko iragarleek algoritmoak eta batez besteko adituak nabarmen gainditzen zituztela.
Giza iragarleek azkar egokitu daitezke aurrekaririk gabeko gertaeretara, hala nola pandemiak edo aldaketa geopolitikoak, berriro trebatu beharrik gabe.
Indartsua, egoera berriei buruz arrazoitzeko gai da
Eskalagarritasuna
Oso eskalagarria zeregin askotan zehar
Adituen denborak mugatuta
Interpretagarritasuna
Askotan kutxa beltza da, nahiz eta azalpen tresnak existitu
Erabakiak arrazoibidearen bidez azaldu daitezke
Alborapenarekiko suszeptibilitatea
Prestakuntza-datuetan dauden alborapenak islatzen ditu
Ainguratzea eta gehiegizko konfiantza bezalako alborapen kognitiboen menpe
Kostuen egitura
Hasierako kostu altua, kostu marjinal baxua
Adituen etengabeko ordainsaria beharrezkoa da
Aldaketetarako egokitzapena
Datu berrietan berriro trebatzea eskatzen du
Arrazoiketa denbora errealean doi dezake
Xehetasunak alderatzea
Zehaztasuna eta ibilbide-erregistroa
Philip Tetlocken Good Judgment Project-eko ikerketak erakutsi zuen superaurreikusle giza-mailakoek algoritmoen oinarriak % 30 inguru gainditzen dituztela gai geopolitikoetan. Hala ere, datu historiko ugari dituzten arloetan, hala nola eguraldiaren iragarpena edo txikizkako eskaria, makina-ikaskuntzako ereduek askotan giza epaiketa gainditzen dute alde handiz. Zehaztasunaren irabazlea etorkizuna iraganaren antzekoa den ala ezaren araberakoa da benetan.
Datuen eskakizunak eta eskalagarritasuna
Makina-ikaskuntzako ereduek datu garbi eta egituratu kopuru handiak behar dituzte ondo funtzionatzeko, eta arazoak izaten dituzte datu horiek urriak edo zaratatsuak direnean. Giza adituek iragarpen arrazoizkoak egin ditzakete informazio mugatuarekin ere, analogiak eta aurreko esperientzia erabiliz. Bestalde, behin makina-ikaskuntzako eredu bat entrenatuta, milaka iragarpen sortzeak ia ez du ezer kostatzen, eta giza esperientzia eskalatzeak jende gehiago kontratatu eta trebatu behar du.
Interpretagarritasuna eta konfiantza
Interesdunek askotan ulertu nahi dute zergatik iragarpen batek dioen dioena, eta giza adituek normalean pausoz pauso azaldu dezakete haien arrazoiketa. Makina-ikaskuntzako eredu askok, batez ere sare neuronal sakonek, kutxa beltz gisa funtzionatzen dute, non barne-logika opakoa den. SHAP eta LIME bezalako azalpen-tresnek laguntzen dute, baina konplexutasuna gehitzen dute eta ez dituzte beti justifikazio argiak behar dituzten erregulatzaileak edo erabaki-hartzaileak asetzen.
Egoera Berriei Erantzuna
Aurrekaririk gabeko zerbait gertatzen denean, COVID-19 pandemiak mundu osoko hornidura-kateak eten dituenean bezala, pandemia aurreko datuetan trebatutako ikaskuntza automatikoaren ereduak askotan huts egiten dute modu ikusgarrian berriro trebatu arte. Giza adituek eszenatoki berriei buruz arrazoitu dezakete lehen printzipioak erabiliz eta beren eredu mentalak egokitu ditzakete berehala. Moldagarritasun horrek giza epaiketa bereziki baliotsua egiten du egitura-aldaketa edo krisi aldietan.
Kostu eta Baliabide Inbertsioa
Makina-ikaskuntzako aurreikuspen sistema gai bat eraikitzeko, datu-azpiegituretan, ingeniaritza-talentuan eta baliabide konputazionaletan inbertitu behar da, baina aurreikuspen bakoitzeko kostu marjinala txikia da ondoren. Giza adituen aurreikuspenak etengabeko gastua eskatzen du soldatetan, prestakuntza-programetan eta askotan konpentsazio lehiakorretan, talentu onenak mantentzeko. Aurrekontu mugatuak dituzten erakundeentzat, aukera askotan datuak dituzten ala adituen sarbidea duten araberakoa da.
Ikuspegi hibridoak
Gero eta gehiago, iragarpen zehatzenak bi metodoak konbinatuz lortzen dira, bat aukeratu beharrean. Makina-ikaskuntzak kuantitatiboki altxatzeko eta gainazaleko ereduak kudeatzeko gai da, eta giza adituek emaitzak berrikusten dituzte, faktore kualitatiboak doitzen dituzte eta eredua baliogabetzen dute zerbait gaizki dagoela hautematen dutenean. Gizakiaren begizta honetan oinarritutako ikuspegi hau ohiko praktika bihurtzen ari da finantzetik hasi eta epidemiologiaraino doazen arloetan.
Abantailak eta Erabiltzailearen interfazea
Makina Ikaskuntzaren Aurreikuspena
Abantailak
+Datu-multzo masiboak azkar prozesatzen ditu
+Kostu marjinal minimoa duten eskalak
+Ezkutuko ereduak detektatzen ditu
+Koherentea eta erreproduzigarria
Erabiltzailearen interfazea
−Prestakuntza datu-multzo handiak behar ditu
−Aurrekaririk gabeko gertaerekin pobrea
−Askotan interpretazio falta du
−Datuen alborapenak heredatu ditzake
Giza Adituen Iragarpena
Abantailak
+Egoera berrietara egokitzen da
+Testuinguru kualitatiboa barneratzen du
+Erabakiak azaldu daitezke.
+Ez da prestakuntza daturik behar
Erabiltzailearen interfazea
−Eskalagarritasun mugatua
−Alborapen kognitiboen menpe
−Motelagoa eta garestiagoa
−Banakoen artean aldakorra
Ohiko uste okerrak
Mitologia
Makina-ikaskuntzak beti egiten ditu gizakiek baino iragarpen zehatzagoak.
Errealitatea
Zehaztasuna domeinuaren araberakoa da neurri handi batean. Ingurune egonkor eta datuetan aberatsak direnetan, askotan MLk irabazten du, baina egoera berri edo azkar aldatzen ari direnetan, giza iragarle trebeek algoritmoak gainditzen dituzte maiz. Tetlocken superiragarlearen ikerketa bezalako ikerketek erakusten dute gizakiek ML oinarriak gainditu ditzaketela gai geopolitikoetan.
Mitologia
Giza adituen iragarpena intuizioan oinarritutako asmakizunak besterik ez dira.
Errealitatea
Aurreikuspen-egile aditu trebeek erreferentzia-klaseen aurreikuspena, deskonposizioa eta probabilitateen eguneratzea bezalako metodo egituratuak erabiltzen dituzte. Beren iragarpenak jarraitzen dituzte, akatsetatik ikasten dute eta arrazoiketa zorrotza aplikatzen dute intuizioan bakarrik oinarritu beharrean.
Mitologia
Behin entrenatuta, ML aurreikuspen eredu bat ez da inoiz eguneratu behar.
Errealitatea
Modeloak denborarekin hondatzen dira benetako munduko ereduak aldatzen diren heinean, kontzeptuen desbideratzea bezala ezagutzen den arazoa. Ekoizpen-maiztasuneko sistema gehienek aldizkako birprestakuntza, monitorizazioa eta mantentze-lanak behar dituzte zehatzak mantentzeko.
Mitologia
Datu gehiagok beti hobetzen dituzte makina-ikaskuntzaren iragarpenak.
Errealitatea
Datuen kalitatea kantitatea bezain garrantzitsua da. Datu alboratuak, zaharkituak edo zaratatsuak iragarpenak okerrera egin ditzakete, eta datu akastun berdin gehiago gehitzeak ez ditu azpian dauden arazoak konpontzen.
Mitologia
Giza adituek alborapen gehiegi dute fidagarritasunez aurreikusteko.
Errealitatea
Alborapen kognitiboak existitzen diren arren, egituratutako aurreikuspen teknikek eta hainbat aditu independenteren iragarpenen agregazioak nabarmen murrizten dute alborapena. Tetlocken ikerketak erakutsi zuen adituen iragarpen agregatuak oso zehatzak izan daitezkeela.
Sarritan Egindako Galderak
Zein da zehatzagoa, ikaskuntza automatikoa ala adituen iragarpena gizakien eskutik?
Egoeraren araberakoa da. Makina-ikaskuntzak irabazi egiten du datuetan aberatsak diren eta egonkorrak diren domeinuetan, hala nola txikizkako eskaria edo eguraldia, non eredu historikoek etorkizuna fidagarritasunez iragartzen duten. Giza adituek irabazi egiten dute egoera berri edo azkar aldatzen ari direnetan, hala nola krisi geopolitikoak edo pandemiak. Good Judgment Project-eko ikerketak erakutsi zuen super-aurreikusle nagusiek algoritmoak % 30 inguru gainditzen dituztela munduko gertaeretan.
Makina-ikaskuntzako ereduek inoiz ikusi ez dituzten gertaerak iragar al ditzakete?
Oro har, ez, ez berriro trebatu gabe. ML ereduek datu historikoetatik ereduak identifikatzen dituzte, beraz, COVID-19 bezalako gertakari benetan aurrekaririk gabekoek edo bat-bateko araudi aldaketek huts egin dezakete informazio berriarekin eguneratu arte. Giza adituek egoera hauek hobeto kudeatzen dituzte, lehen printzipioetatik arrazoitu dezaketelako.
Zenbat datu behar dituzu makina-ikaskuntzaren aurreikuspenetarako?
Ez dago erantzun unibertsalik, baina iragarpen-eredu praktiko gehienek gutxienez ehunka edo milaka behaketa behar dituzte eredu esanguratsuak ikasteko. Erregresio lineala bezalako eredu sinpleek gutxiagorekin funtziona dezakete, ikaskuntza sakoneko ikuspegiek, berriz, datu-multzo askoz handiagoak behar dituzte normalean. Datuen kalitatea askotan bolumena baino garrantzitsuagoa da.
Zer da superaurreikusle bat?
Superaurreikusle Philip Tetlock ikertzaileak sortutako terminoa da, munduko gertaerei buruzko iragarpen oso zehatzak egiten dituzten pertsonak deskribatzeko. Zenbakiak egiteko gai direnak, adimen irekikoak, ebidentzia berrietan oinarritutako sinesmenak eguneratzeko prest daudenak eta arazo konplexuak zati txikiagoetan banatzeko trebeak izan ohi dira. Tetlocken ikerketetan parte hartu zutenen % 2 inguruk superaurreikusle gisa sailkatu ziren.
Makina-ikaskuntza eta gizakien iragarpena konbinatu al daitezke?
Noski, eta erakunde askok horixe egiten dute orain. Ohiko ikuspegia ML ereduak erabiltzea da oinarrizko iragarpenak sortzeko, eta gero giza adituek berrikusi eta doitzea ereduak galdu ditzakeen faktore kualitatiboen arabera. Metodo hibrido honek askotan gainditzen ditu bi ikuspegiak bakarrik, batez ere finantzak, hornikuntza-katearen kudeaketa eta osasungintza bezalako arloetan.
Zeintzuk dira adituen iragarpenetan dauden alborapen nagusiak?
Ohiko alborapen kognitiboen artean daude ainguratzea (hasierako informazioan gehiegi fidatzea), baieztapen-alborapena (dauden ikuspuntuak babesten dituzten ebidentzia bilatzea), gehiegizko konfiantza eta azkenaldiko alborapena (gertaera berriei gehiegizko pisua ematea). Aurreikuspen-metodo egituratuek eta hainbat iragarpen independente metatzeak alborapen horiek nabarmen murrizten laguntzen dute.
Zein industriek erabiltzen dute gehien makina-ikaskuntzaren aurreikuspena?
Txikizkako merkataritza, finantzak, energia, osasungintza eta hornikuntza-kateen kudeaketa dira erabiltzaile gehien dituztenen artean. Enpresek ML aurreikuspena erabiltzen dute eskariaren plangintzarako, akzioen prezioen aurreikuspena egiteko, energia-karga aurreikusteko, pazienteen onarpen-tasak eta inbentarioaren optimizaziorako. Amazon, Google eta Walmart ML aurreikuspena eskala handian egiten duten erakundeen adibide ezagunak dira.
Nola ebaluatzen duzu iragarpenen zehaztasuna?
Metrika ohikoenen artean daude Batez besteko Errore Absolutua (MAE), Batez besteko Erro Karratuaren Errorea (RMSE), Batez besteko Ehuneko Errore Absolutua (MAPE), eta probabilitate-aurreikuspenetarako, Brier puntuazioa edo log-galera. Metrika onena errore tipikoak, errore handiak edo probabilitate-estimazioen kalibrazioa gehiago axola zaizkizun ala ez araberakoa da.
Giza adituen iragarpenak garrantzitsuak al dira oraindik IAren aroan?
Bai, neurri handi batean. Adimen artifizialak eskala handiko ereduen ezagutza ondo kudeatzen duen arren, gizakiek oraindik ere emaitza hobeak lortzen dituzte testuinguru-epaia, arrazoiketa etikoa eta egoera berrietara egokitzea eskatzen duten egoeretan. Adimen artifizialaren sistema asko adituak ordezkatu beharrean hobetzeko diseinatuta daude bereziki, eta aurreikusle trebeen eskaria hazten jarraitzen du.
Zein trebetasunek egiten dute iragarle ona pertsona bat?
Iragarle nagusiek zenbakiekin eroso sentitzen dira, intelektualki apalak dira, iritziz aldatzeko prest daude eta galdera handiak zati txikiago eta erantzun errazagoetan banatzen trebeak dira. Aktiboki bilatzen dituzte frogak ezeztatzen dituztenak, arretaz jarraitzen dituzte beren iragarpenak eta probabilitateak pixkanaka eguneratzen dituzte ondorioetara salto egin beharrean.
Epaia
Aukeratu makina-ikaskuntzaren bidezko iragarpena datu historiko ugari dituzunean, eskala handiko iragarpenak behar dituzunean eta ingurune nahiko egonkorrean jarduten duzunean. Aukeratu giza adituaren iragarpena egoera berriekin, datu mugatuekin edo testuinguru-arrazoiketa ereduen ezagutza baino garrantzitsuagoa den eszenatokiekin ari zarenean. Aplikazio serio gehienetan, emaitzarik onenak bi ikuspegiak konbinatuz lortzen dira, lehiakide gisa tratatu beharrean.
