Mašininio mokymosi prognozavimas remiasi algoritmais, apmokytais remiantis istoriniais duomenimis, kad numatytų būsimus rezultatus, o žmonių ekspertų prognozės remiasi profesionaliu sprendimu, srities žiniomis ir kontekstiniu samprotavimu. Abu metodai turi savų privalumų, ir daugelis organizacijų dabar juos derina, kad galėtų gauti tikslesnes prognozes.
Duomenimis pagrįstas metodas, kai naudojami algoritmai, apmokyti naudojant istorinius duomenų rinkinius, siekiant nustatyti modelius ir generuoti prognozes apie būsimus įvykius.
Sprendimais pagrįstas metodas, kai srities specialistai, remdamiesi patirtimi, intuicija ir kontekstiniu supratimu, prognozuoja būsimus rezultatus.
| Funkcija | Mašininio mokymosi prognozavimas | Žmogaus eksperto prognozavimas |
|---|---|---|
| Pirminė įvestis | Istoriniai skaitiniai duomenys | Srities žinios, patirtis, kokybinis kontekstas |
| Prognozavimo greitis | Beveik akimirksniu, kai tik apmokyta | Lėtesnis, reikalauja apgalvotos analizės |
| „Juodosios gulbės“ įvykių tvarkymas | Vargšas be perkvalifikavimo | Stiprus, gali samprotauti apie naujus scenarijus |
| Mastelio keitimas | Labai pritaikomas daugeliui užduočių | Ribotas turimo eksperto laiko |
| Aiškinamasis aspektas | Dažnai tai yra „juodoji dėžė“, nors paaiškinamumo įrankiai ir egzistuoja | Sprendimus galima paaiškinti samprotaujant |
| Jautrumas šališkumui | Atspindi mokymo duomenų šališkumą | Gali pasireikšti kognityviniams šališkumams, tokiems kaip įsitvirtinimas ir per didelis pasitikėjimas savimi |
| Sąnaudų struktūra | Didelės pradinės išlaidos, mažos ribinės išlaidos | Reikalingas nuolatinis eksperto atlyginimas |
| Prisitaikymas prie pokyčių | Reikia iš naujo apmokyti dirbti su naujais duomenimis | Gali koreguoti samprotavimus realiuoju laiku |
Philipo Tetlocko „Good Judgment Project“ tyrimai parodė, kad geriausi žmonių superprognozuotojai geopolitiniais klausimais algoritminius bazinius duomenis pranoksta maždaug 30 %. Tačiau srityse, kuriose gausu istorinių duomenų, pavyzdžiui, orų prognozės ar mažmeninė paklausa, mašininio mokymosi modeliai dažnai gerokai pranoksta žmonių sprendimus. Tikslumo nugalėtojas iš tikrųjų priklauso nuo to, ar ateitis panaši į praeitį.
Mašininio mokymosi modeliams reikia didelio kiekio švarių, struktūrizuotų duomenų, kad jie gerai veiktų, ir jiems sunku, kai tų duomenų trūksta arba jie yra triukšmingi. Žmonės ekspertai gali pateikti pagrįstas prognozes net ir turėdami ribotą informaciją, remdamiesi analogijomis ir ankstesne patirtimi. Kita vertus, apmokius mašininio mokymosi modelį, tūkstančių prognozių generavimas beveik nieko nekainuoja, o norint išplėsti žmonių patirtį, reikia samdyti ir apmokyti daugiau žmonių.
Suinteresuotosios šalys dažnai nori suprasti, kodėl prognozėje teigiama taip, kaip teigiama, o žmonės ekspertai paprastai gali žingsnis po žingsnio peržvelgti jų samprotavimus. Daugelis mašininio mokymosi modelių, ypač gilieji neuroniniai tinklai, veikia kaip juodosios dėžės, kuriose vidinė logika yra neskaidri. Paaiškinamumo įrankiai, tokie kaip SHAP ir LIME, padeda, tačiau jie padidina sudėtingumą ir ne visada tenkina reguliavimo institucijas ar sprendimus priimančius asmenis, kuriems reikia aiškių pagrindimų.
Kai nutinka kažkas išties precedento neturinčio, pavyzdžiui, COVID-19 pandemija, sutrikdanti tiekimo grandines visame pasaulyje, mašininio mokymosi modeliai, apmokyti remiantis ikipandeminiais duomenimis, dažnai patiria didelių sunkumų, kol nėra permokyti. Žmonės ekspertai gali samprotauti apie naujus scenarijus, remdamiesi pirmaisiais principais, ir akimirksniu koreguoti savo mentalinius modelius. Šis prisitaikymas daro žmogaus sprendimus ypač vertingus struktūrinių pokyčių ar krizių laikotarpiais.
Norint sukurti pajėgią mašininio mokymosi prognozavimo sistemą, reikia investuoti į duomenų infrastruktūrą, inžinierių talentą ir skaičiavimo išteklius, tačiau vėliau ribinės prognozės sąnaudos yra labai mažos. Žmonių ekspertų prognozavimas reikalauja nuolatinių išlaidų atlyginimams, mokymo programoms ir dažnai konkurencingam atlyginimui, siekiant išlaikyti geriausius talentus. Organizacijoms, turinčioms ribotą biudžetą, pasirinkimas dažnai priklauso nuo to, ar jos turi duomenų, ar prieigą prie ekspertų.
Vis dažniau tiksliausios prognozės gaunamos derinant abu metodus, o ne pasirenkant vieną. Mašininis mokymasis gali susidoroti su dideliais kiekybiniais pokyčiais ir paviršiaus modeliais, o žmonės ekspertai peržiūri rezultatus, koreguoja kokybinius veiksnius ir pakeičia modelį, kai pajunta, kad kažkas negerai. Toks žmogaus įtraukimas į procesą tampa standartine praktika įvairiose srityse – nuo finansų iki epidemiologijos.
Mašininis mokymasis visada pateikia tikslesnes prognozes nei žmonės.
Tikslumas labai priklauso nuo srities. Stabilioje, duomenimis turtingoje aplinkoje mašininis mokymasis dažnai laimi, tačiau naujose ar sparčiai kintančiose situacijose kvalifikuoti žmonių prognozuotojai dažnai pranoksta algoritmus. Tokie tyrimai kaip Tetlocko superprognozuotojų tyrimas rodo, kad žmonės gali pranokti mašininio mokymosi bazinius rodiklius geopolitiniais klausimais.
Žmonių ekspertų prognozės tėra spėlionės, paremtos nuojauta.
Kvalifikuoti prognozavimo ekspertai naudoja struktūrizuotus metodus, tokius kaip etaloninių klasių prognozavimas, skaidymas ir tikimybių atnaujinimas. Jie seka savo prognozes, mokosi iš klaidų ir taiko griežtą samprotavimą, užuot pasikliauję vien intuicija.
Kartą apmokyto ML prognozavimo modelio niekada nereikia atnaujinti.
Modeliai laikui bėgant blogėja, nes keičiasi realaus pasaulio modeliai – ši problema vadinama koncepcijos dreifu. Daugumai gamybinių mašininio mokymosi sistemų reikia reguliariai permokyti, stebėti ir prižiūrėti, kad jos išliktų tikslios.
Daugiau duomenų visada pagerina mašininio mokymosi prognozes.
Duomenų kokybė yra tokia pat svarbi kaip ir kiekybė. Šališki, pasenę ar triukšmingi duomenys gali pabloginti prognozes, o pridėjus daugiau tų pačių ydingų duomenų, pagrindinės problemos neišsprendžiamos.
Žmonių ekspertai yra pernelyg šališki, kad galėtų patikimai prognozuoti.
Nors egzistuoja kognityviniai šališkumai, struktūrizuoti prognozavimo metodai ir kelių nepriklausomų ekspertų prognozių apibendrinimas žymiai sumažina šališkumą. Tetlocko tyrimas parodė, kad apibendrintos ekspertų prognozės gali būti nepaprastai tikslios.
Rinkitės mašininio mokymosi prognozavimą, kai turite gausybę istorinių duomenų, jums reikia didelio masto prognozių ir veikiate santykinai stabilioje aplinkoje. Rinkitės žmonių ekspertų prognozavimą, kai susiduriate su naujomis situacijomis, ribotais duomenimis arba scenarijais, kai kontekstinis samprotavimas yra svarbesnis nei šablonų atpažinimas. Daugumoje rimtų programų geriausi rezultatai gaunami derinant abu metodus, o ne laikant juos konkurentais.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
