Kamēr aprakstošā grafu analīze kartē tīkla pašreizējo arhitektūru, lai izskaidrotu esošās attiecības, paredzošā grafu modelēšana izmanto šos modeļus, lai prognozētu turpmākās saiknes vai atribūtus. Viena norāda, kas pašlaik ir svarīgs sociālajā lokā, bet otra prognozē, kas, visticamāk, kļūs par draugiem nākamreiz.
Prognozējoša metode, kas izmanto vēsturiskus tīkla datus un mašīnmācīšanos, lai paredzētu nākotnes stāvokļus vai trūkstošo informāciju.
Pamatmetode, kas koncentrējas uz grafika esošās struktūras un īpašību apkopošanu un vizualizāciju.
| Funkcija | Prognozējošā grafu modelēšana | Aprakstošā grafika analīze |
|---|---|---|
| Laika fokuss | Nākotnes orientēts | Pagātne un tagadne |
| Primārais jautājums | Kas notiks tālāk? | Kāda ir pašreizējā struktūra? |
| Galvenās metodes | Mašīnmācīšanās, GNN | Centrālums, kopienas noteikšana |
| Izvades veids | Varbūtības prognozes | Strukturālie kopsavilkumi |
| Datu prasības | Liels apjoms (treniņu komplekti) | Elastīgs (atsevišķi momentuzņēmumi) |
| Sarežģītība | Augsts (nepieciešama modeļa regulēšana) | Vidējs (algebriskais un topoloģiskais) |
| Bieži sastopams lietošanas gadījums | Iesakiet jaunus draugus | Sociālā loka kartēšana |
Aprakstošā analīze būtībā ir jūsu tīkla augsto tehnoloģiju audits; tā aplūko jau esošos mezglus un malas, lai atrastu slēptus klasterus vai vājās vietas. Savukārt prognozējošā modelēšana ir simulācija, kas pašreizējo grafiku traktē kā tikai vienu kadru kustīgā attēlā, mēģinot uzminēt, kā izskatīsies nākamais kadrs.
Aprakstošās metodes bieži vien balstās uz lineārās algebras un grafu teorijas pamatprincipiem, piemēram, aprēķinot, cik soļu nepieciešams, lai nokļūtu no punkta A uz punktu B. Prognozējošā modelēšana pāriet statistikas un mākslīgā intelekta jomā, izmantojot algoritmus, lai piešķirtu "varbūtības" notikumiem, kas faktiski vēl nav notikuši.
Aprakstošā analīze varētu atklāt, ka konkrēts piegādātājs ir kritisks atteices punkts jūsu loģistikas tīklā, jo visi sazinās caur viņu. Prognozējošā modelēšana to padziļinātu, prognozējot, kā viss tīkls varētu sabrukt, ja šis piegādātājs tiktu noņemts, vai kurš rezerves piegādātājs, visticamāk, aizpildīs tukšumu.
Aprakstošās diagrammas ir statiskas patiesības; ja vien dati ir precīzi, analīze konkrētajā brīdī ir “pareiza”. Prognozējošie modeļi ir “dzīvas” vienības, kas var ciest no “modeļa novirzes” — tas nozīmē, ka laika gaitā, mainoties reālās pasaules uzvedībai, tie kļūst mazāk precīzi, un tāpēc ir nepieciešama pastāvīga pārapmācība ar jauniem datiem.
Prognozējošie modeļi vienmēr ir vērtīgāki nekā aprakstošie.
Vērtība ir atkarīga no mērķa. Ļoti precīza kaut kā triviāla prognoze ir mazāk noderīga nekā aprakstoša atziņa, kas atklāj milzīgu krāpniecības tīklu, kas paslēpts jūsu pašreizējos datos.
Lai veiktu aprakstošo grafu analīzi, ir nepieciešams doktora grāds.
Daudzi mūsdienu BI rīki ļauj ar vienu klikšķi palaist standarta centralitātes vai kopienas noteikšanas algoritmus, lai gan nianses interpretācijai joprojām ir nepieciešama zināma pieredze.
Grafu modeļi var paredzēt nākotni ar 100% pārliecību.
Prognozes ir tīri varbūtības. Tās pasaka, kas ir “iespējams”, pamatojoties uz pagātnes modeļiem, bet tās nevar izskaidrot “Melnā gulbja” notikumus vai nejaušas izmaiņas cilvēku uzvedībā.
Grafu analītika ir paredzēta tikai sociālo mediju gigantiem.
Mazie uzņēmumi izmanto grafu analītiku visam, sākot no piegādes ķēdes optimizācijas līdz iekšējo zināšanu apmaiņas kartēšanai starp darbiniekiem.
Izmantojiet aprakstošo analīzi, ja atskaišu veidošanai vai auditam nepieciešams izprast jūsu pašreizējās tīkla struktūras “kas” un “kā” darbības. Izvēlieties prognozējošo modelēšanu, ja nepieciešams paredzēt izaugsmi, pārvaldīt riskus vai automatizēt turpmāko lēmumu pieņemšanu, pamatojoties uz tīkla tendencēm.
Kamēr astroloģiskā prognozēšana saista debesu ciklus ar cilvēku pieredzi, lai iegūtu simbolisku nozīmi, statistiskā prognozēšana analizē empīriskus vēsturiskus datus, lai novērtētu nākotnes skaitliskās vērtības. Šis salīdzinājums pēta plaisu starp seno, uz arhetipiem balstīto personīgās pārdomu sistēmu un moderno, uz datiem balstīto metodoloģiju, ko izmanto objektīvai lēmumu pieņemšanai uzņēmējdarbībā un zinātnē.
Šis salīdzinājums pēta aizraujošo plaisu starp senajiem debesu novērojumiem un mūsdienu paredzošo analītiku. Kamēr astroloģiskie tranzīti izmanto planētu ciklus, lai interpretētu personīgās izaugsmes fāzes, dzīves notikumu varbūtības modeļi balstās uz lieliem datiem un statistikas algoritmiem, lai prognozētu konkrētus pagrieziena punktus, piemēram, karjeras izmaiņas vai veselības aprūpes vajadzības.
Lai gan abas metodoloģijas kalpo digitālās veiktspējas optimizēšanai, tās darbojas uz principiāli atšķirīgiem tehnoloģiju slāņiem. Ātrā testēšana koncentrējas uz lingvistisko ievaddatu pilnveidošanu, kas vada ģeneratīvos mākslīgā intelekta modeļus, savukārt A/B testēšana nodrošina stingru statistisko sistēmu divu atšķirīgu tīmekļa lapas vai lietotnes funkcijas versiju salīdzināšanai, lai noskaidrotu, kura no tām labāk rezonē ar reāliem cilvēkiem.
Izvēle starp augstas frekvences datiem un apkopotiem datiem ir būtisks kompromiss analītikā. Lai gan neapstrādātas, mazāk nekā sekundes laikā apkopotas darījumu un sensoru plūsmas piedāvā nepārspējamu ieskatu tūlītējā uzvedībā un tirgus mikrostruktūrās, saspiesti laika apkopojumi novērš milzīgu statistisko troksni un lielas infrastruktūras prasības, lai atklātu skaidras, strukturālas ilgtermiņa tendences.
Izvēle starp automatizētu modeļu izsekošanu un manuālu eksperimentu izsekošanu būtiski ietekmē datu zinātnes komandas ātrumu un reproducējamību. Kamēr automatizācija izmanto specializētu programmatūru, lai nemanāmi uztvertu katru hiperparametru, metriku un artefaktu, manuālā izsekošana balstās uz cilvēka rūpību, izmantojot izklājlapas vai Markdown failus, radot krasu kompromisu starp iestatīšanas ātrumu un ilgtermiņa mērogojamu precizitāti.
