Mašīnmācīšanās prognozēšana balstās uz algoritmiem, kas apmācīti, izmantojot vēsturiskus datus, lai prognozētu nākotnes rezultātus, savukārt cilvēku ekspertu prognozēšana balstās uz profesionālu spriedumu, nozares zināšanām un kontekstuālo spriešanu. Abām pieejām ir atšķirīgas stiprās puses, un daudzas organizācijas tagad tās apvieno, lai iegūtu precīzākas prognozes.
Uz datiem balstīta pieeja, kas izmanto algoritmus, kas apmācīti vēsturiskos datu kopumos, lai identificētu modeļus un ģenerētu prognozes par nākotnes notikumiem.
Uz spriedumu balstīta pieeja, kurā jomas speciālisti izmanto pieredzi, intuīciju un kontekstuālo izpratni, lai prognozētu nākotnes rezultātus.
| Funkcija | Mašīnmācīšanās prognozēšana | Cilvēka eksperta prognozēšana |
|---|---|---|
| Primārā ievade | Vēsturiski skaitliski dati | Jomas zināšanas, pieredze, kvalitatīvais konteksts |
| Prognozēšanas ātrums | Gandrīz acumirklīga pēc apmācības | Lēnāk, nepieciešama apzināta analīze |
| Melnā gulbja notikumu apstrāde | Nabadzīgs bez pārkvalifikācijas | Spēcīgs, var spriest par jauniem scenārijiem |
| Mērogojamība | Augsta mērogojamība daudziem uzdevumiem | Ierobežots ar pieejamo eksperta laiku |
| Interpretējamība | Bieži vien tā ir melnā kaste, lai gan pastāv izskaidrojamības rīki | Lēmumus var izskaidrot ar argumentāciju |
| Aizspriedumu uzņēmība | Atspoguļo neobjektivitāti apmācības datos | Pakļauts kognitīvām aizspriedumiem, piemēram, noenkurošanai un pārmērīgai pārliecībai |
| Izmaksu struktūra | Augstas sākotnējās izmaksas, zemas robežizmaksas | Nepieciešama pastāvīga eksperta kompensācija |
| Pielāgošanās spēja pārmaiņām | Nepieciešama atkārtota apmācība ar jauniem datiem | Var pielāgot spriešanas spējas reāllaikā |
Filipa Tetloka Labās Sprieduma Projekta pētījums parādīja, ka labākie cilvēku superprognozētāji ģeopolitiskos jautājumos par aptuveni 30 % pārspēj algoritmiskās bāzes līnijas. Tomēr jomās ar bagātīgiem vēsturiskiem datiem, piemēram, laikapstākļu prognozēšanā vai mazumtirdzniecības pieprasījumā, mašīnmācīšanās modeļi bieži vien ievērojami pārspēj cilvēka spriedumus. Precizitātes uzvarētājs patiesībā ir atkarīgs no tā, vai nākotne atgādina pagātni.
Mašīnmācīšanās modeļiem ir nepieciešams ievērojams daudzums tīru, strukturētu datu, lai tie darbotos labi, un tiem ir grūtības, ja šie dati ir reti vai trokšņaini. Cilvēki-eksperti var izdarīt saprātīgas prognozes pat ar ierobežotu informāciju, izmantojot analoģijas un iepriekšējo pieredzi. No otras puses, kad mašīnmācīšanās modelis ir apmācīts, tūkstošiem prognožu ģenerēšana gandrīz neko nemaksā, savukārt cilvēku zināšanu mērogošana prasa vairāk cilvēku pieņemšanu darbā un apmācību.
Ieinteresētās personas bieži vēlas saprast, kāpēc prognozē teiktais ir tāds, kāds tas ir teikts, un cilvēku eksperti parasti var soli pa solim izprast viņu argumentāciju. Daudzi mašīnmācīšanās modeļi, īpaši dziļi neironu tīkli, darbojas kā melnās kastes, kur iekšējā loģika ir necaurredzama. Izskaidrojamības rīki, piemēram, SHAP un LIME, palīdz, taču tie rada sarežģītību un ne vienmēr apmierina regulatorus vai lēmumu pieņēmējus, kuriem nepieciešams skaidrs pamatojums.
Kad notiek kaut kas patiesi nepieredzēts, piemēram, COVID-19 pandēmija, kas izjauc piegādes ķēdes visā pasaulē, mašīnmācīšanās modeļi, kas apmācīti ar pirmspandēmijas datiem, bieži vien piedzīvo ievērojamas neveiksmes, līdz tie tiek pārkvalificēti. Cilvēku eksperti var spriest par jauniem scenārijiem, izmantojot pirmos principus, un acumirklī pielāgot savus mentālos modeļus. Šī pielāgošanās spēja padara cilvēka spriestspēju īpaši vērtīgu strukturālu pārmaiņu vai krīzes periodos.
Lai izveidotu spējīgu mašīnmācīšanās prognozēšanas sistēmu, ir nepieciešamas investīcijas datu infrastruktūrā, inženieru talantos un skaitļošanas resursos, taču pēc tam katras prognozes robežizmaksas ir niecīgas. Cilvēku ekspertu prognozēšanai ir nepieciešami nepārtraukti izdevumi algām, apmācību programmām un bieži vien konkurētspējīgai kompensācijai, lai saglabātu labākos talantus. Organizācijām ar ierobežotu budžetu izvēle bieži vien ir atkarīga no tā, vai tām ir dati vai piekļuve zināšanām.
Arvien biežāk precīzākās prognozes tiek iegūtas, apvienojot abas metodes, nevis izvēloties vienu. Mašīnmācīšanās var tikt galā ar smago kvantitatīvo celšanos un virsmas modeļiem, savukārt cilvēku eksperti pārskata rezultātus, pielāgo kvalitatīvos faktorus un ignorē modeli, ja jūt, ka kaut kas nav kārtībā. Šī cilvēka iesaistes pieeja kļūst par standarta praksi dažādās jomās, sākot no finansēm līdz epidemioloģijai.
Mašīnmācīšanās vienmēr sniedz precīzākas prognozes nekā cilvēki.
Precizitāte ir ļoti atkarīga no jomas. Stabilā, ar datiem bagātā vidē mašīnmācīšanās bieži vien uzvar, bet jaunās vai strauji mainīgās situācijās prasmīgi cilvēku prognozētāji bieži vien pārspēj algoritmus. Pētījumi, piemēram, Tetlocka superprognozētāja pētījums, liecina, ka cilvēki var pārspēt mašīnmācīšanās bāzes līnijas ģeopolitiskos jautājumos.
Cilvēku ekspertu prognozes ir tikai minējumi, balstoties uz intuīciju.
Prasmīgi ekspertu prognozētāji izmanto strukturētas metodes, piemēram, atsauces klases prognozēšanu, dekompozīcijas noteikšanu un varbūtības atjaunināšanu. Viņi seko līdzi savām prognozēm, mācās no kļūdām un izmanto stingru spriešanu, nevis paļaujas tikai uz intuīciju.
Kad mašīnmācīšanās prognozēšanas modelis ir apmācīts, tas nekad nav jāatjaunina.
Modeļi laika gaitā degradējas, mainoties reālās pasaules modeļiem, un šī problēma ir pazīstama kā koncepcijas novirze. Lielākajai daļai mašīnmācīšanās sistēmu ražošanas vidē ir nepieciešama regulāra atkārtota apmācība, uzraudzība un apkope, lai saglabātu precizitāti.
Vairāk datu vienmēr uzlabo mašīnmācīšanās prognozes.
Datu kvalitātei ir tikpat liela nozīme kā kvantitātei. Neobjektīvi, novecojuši vai trokšņaini dati faktiski var pasliktināt prognozes, un, pievienojot vēl vairāk tādu pašu kļūdainu datu, netiek novērstas pamatproblēmas.
Cilvēku eksperti ir pārāk neobjektīvi, lai sniegtu ticamas prognozes.
Lai gan pastāv kognitīvās neobjektivitātes, strukturētas prognozēšanas metodes un vairāku neatkarīgu ekspertu prognožu apkopošana ievērojami samazina neobjektivitāti. Tetloka pētījums parādīja, ka apkopotas ekspertu prognozes var būt ievērojami precīzas.
Izvēlieties mašīnmācīšanās prognozēšanu, ja jums ir daudz vēsturisku datu, nepieciešamas prognozes plašā mērogā un strādājat relatīvi stabilā vidē. Izvēlieties cilvēku ekspertu prognozēšanu, ja strādājat ar jaunām situācijām, ierobežotiem datiem vai scenārijiem, kuros kontekstuālā spriešana ir svarīgāka par modeļu atpazīšanu. Lielākajā daļā nopietnu lietojumu labākos rezultātus iegūst, apvienojot abas pieejas, nevis uzskatot tās par konkurentiem.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
