pagkatuto ng makinapagtatayaartipisyal na katalinuhanpredictive-analyticsekspertong paghatol
Pagtataya ng Machine Learning vs. Pagtataya ng Eksperto ng Tao
Ang machine learning forecasting ay umaasa sa mga algorithm na sinanay sa makasaysayang datos upang mahulaan ang mga kinalabasan sa hinaharap, habang ang human expert forecasting ay umaasa sa propesyonal na paghatol, kaalaman sa larangan, at kontekstong pangangatwiran. Ang parehong pamamaraan ay may magkakaibang kalakasan, at maraming organisasyon ngayon ang nagsasama ng mga ito para sa mas tumpak na mga hula.
Mga Naka-highlight
Ang machine learning ay mahusay sa pagtukoy ng laki at pattern, habang ang mga tao ay mahusay sa mga nobelang sitwasyon at kontekstwal na pangangatwiran.
Nalampasan ng mga nangungunang human superforecaster ang mga algorithm nang humigit-kumulang 30% sa mga gawain ng geopolitical prediction.
Ang mga modelo ng ML ay nangangailangan ng muling pagsasanay upang mahawakan ang mga hindi pa naganap na pangyayari, samantalang ang mga ekspertong tao ay maaaring umangkop sa totoong oras.
Ang mga hybrid na human-in-the-loop system ay lalong itinuturing na pamantayang ginto para sa mga high-stakes forecasting.
Ano ang Pagtataya sa Machine Learning?
Isang pamamaraang batay sa datos na gumagamit ng mga algorithm na sinanay sa mga makasaysayang dataset upang matukoy ang mga padron at makabuo ng mga hula tungkol sa mga pangyayari sa hinaharap.
Ang mga modelo ng pagtataya ng machine learning ay natututo mula sa malalaking dami ng makasaysayang datos sa halip na tahasang iprograma gamit ang mga panuntunan.
Kabilang sa mga karaniwang algorithm ang ARIMA, Prophet, LSTM neural networks, at mga pamamaraan ng gradient boosting tulad ng XGBoost.
Ang mga modelong ito ay mahusay sa pagtukoy ng mga kumplikado at di-linear na mga pattern na mahirap matukoy nang manu-mano ng mga tao.
Karaniwang bumubuti ang performance habang mas maraming training data ang nagiging available, sa pag-aakalang nananatiling mataas ang kalidad ng data.
Kabilang sa mga sikat na platform na nag-aalok ng ML forecasting ang Amazon Forecast, Google Vertex AI, at mga open-source library tulad ng scikit-learn at TensorFlow.
Ano ang Pagtataya ng Eksperto ng Tao?
Isang pamamaraang nakabatay sa paghatol kung saan ginagamit ng mga espesyalista sa larangan ang karanasan, intuwisyon, at pag-unawa sa konteksto upang makagawa ng mga hula tungkol sa mga kinalabasan sa hinaharap.
Ang pagtataya ng mga eksperto sa tao ay pormal na pinag-aralan simula pa noong dekada 1970, lalo na sa pamamagitan ng pananaliksik ni Philip Tetlock sa mga superforecaster.
Maaaring isama ng mga eksperto ang kwalitatibong impormasyon tulad ng klima sa politika, sentimyento ng mga mamimili, o mga umuusbong na uso na maaaring hindi makuha ng datos lamang.
Ipinapakita ng mga pag-aaral na ang pinagsama-samang mga pagtataya mula sa maraming eksperto ay kadalasang mas mahusay kaysa sa mga hula ng bawat eksperto.
Natuklasan ng Good Judgment Project ng Tetlock na ang mga nangungunang tagahula ay patuloy na natatalo ang mga algorithm at karaniwang mga eksperto nang malaki.
Ang mga human forecaster ay maaaring mabilis na umangkop sa mga hindi pa naganap na pangyayari, tulad ng mga pandemya o mga pagbabago sa geopolitical, nang hindi nangangailangan ng muling pagsasanay.
Talahanayang Pagkukumpara
Tampok
Pagtataya sa Machine Learning
Pagtataya ng Eksperto ng Tao
Pangunahing Input
Makasaysayang datos na numerikal
Kaalaman sa domain, karanasan, kwalitatibong konteksto
Bilis ng Paghula
Halos agaran kapag nasanay na
Mas mabagal, nangangailangan ng masusing pagsusuri
Paghawak ng mga Kaganapan sa Black Swan
Mahina nang walang muling pagsasanay
Malakas, kayang mangatwiran tungkol sa mga bagong senaryo
Kakayahang sumukat
Lubos na nasusukat sa maraming gawain
Limitado sa magagamit na oras ng eksperto
Kakayahang Magpakahulugan
Kadalasan ay isang itim na kahon, bagama't mayroong mga kagamitan sa pagpapaliwanag
Maaaring ipaliwanag ang mga desisyon sa pamamagitan ng pangangatwiran
Pagiging Madaling Maapektuhan ng Bias
Nagpapakita ng mga bias sa datos ng pagsasanay
Napapailalim sa mga cognitive bias tulad ng anchoring at labis na kumpiyansa
Istruktura ng Gastos
Mataas na paunang bayad, mababang marginal na gastos
Kinakailangan ang patuloy na kompensasyon ng eksperto
Kakayahang umangkop sa Pagbabago
Nangangailangan ng muling pagsasanay sa mga bagong datos
Maaaring isaayos ang pangangatwiran sa totoong oras
Detalyadong Paghahambing
Katumpakan at Rekord ng Pagsubaybay
Ipinakita ng pananaliksik mula sa Good Judgment Project ni Philip Tetlock na ang mga nangungunang human superforecaster ay lumampas sa mga algorithmic baseline nang humigit-kumulang 30% sa mga tanong na geopolitical. Gayunpaman, sa mga larangan na may masaganang historical data tulad ng prediksyon ng panahon o demand sa tingian, ang mga machine learning model ay kadalasang mas mahusay kaysa sa paghatol ng tao sa pamamagitan ng malawak na margin. Ang katumpakan ng panalo ay talagang nakasalalay sa kung ang hinaharap ay kahawig ng nakaraan.
Mga Kinakailangan sa Datos at Kakayahang Iskalahin
Ang mga modelo ng machine learning ay nangangailangan ng malaking dami ng malinis at nakabalangkas na datos upang gumana nang maayos, at nahihirapan sila kapag ang datos na iyon ay kakaunti o maingay. Ang mga ekspertong tao ay maaaring gumawa ng mga makatwirang hula kahit na may limitadong impormasyon sa pamamagitan ng paggamit ng mga pagkakatulad at naunang karanasan. Sa kabilang banda, kapag ang isang modelo ng ML ay nasanay na, ang pagbuo ng libu-libong hula ay halos walang gastos, habang ang pagpapalawak ng kadalubhasaan ng tao ay nangangailangan ng pagkuha at pagsasanay ng mas maraming tao.
Kakayahang Magpakahulugan at Tiwala
Kadalasang nais maunawaan ng mga stakeholder kung bakit sinasabi ng isang forecast ang sinasabi nito, at karaniwang kayang tahakin ng mga ekspertong tao ang kanilang mga pangangatwiran nang paunti-unti. Maraming modelo ng machine learning, lalo na ang malalalim na neural network, ang gumagana bilang mga black box kung saan hindi malinaw ang panloob na lohika. Nakakatulong ang mga tool sa pagpapaliwanag tulad ng SHAP at LIME, ngunit nagdaragdag ang mga ito ng pagiging kumplikado at hindi palaging nasisiyahan ang mga regulator o tagagawa ng desisyon na nangangailangan ng malinaw na mga katwiran.
Tugon sa mga Bagong Sitwasyon
Kapag may nangyaring tunay na hindi pa naganap, tulad ng pandemya ng COVID-19 na sumisira sa mga supply chain sa buong mundo, ang mga modelo ng machine learning na sinanay batay sa datos bago ang pandemya ay kadalasang nabibigo nang husto hanggang sa sila ay muling sanayin. Ang mga ekspertong tao ay maaaring mangatwiran tungkol sa mga bagong senaryo gamit ang mga unang prinsipyo at isaayos ang kanilang mga mental na modelo nang mabilisan. Ang kakayahang umangkop na ito ay ginagawang lalong mahalaga ang paghatol ng tao sa mga panahon ng pagbabago sa istruktura o krisis.
Pamumuhunan sa Gastos at Mapagkukunan
Ang pagbuo ng isang mahusay na sistema ng pagtataya ng machine learning ay nangangailangan ng pamumuhunan sa imprastraktura ng datos, talento sa inhinyeriya, at mga mapagkukunang pangkomputasyonal, ngunit ang marginal na gastos sa bawat hula ay maliit lamang pagkatapos. Ang pagtataya ng ekspertong tao ay nangangailangan ng patuloy na paggastos sa mga suweldo, mga programa sa pagsasanay, at kadalasang mapagkumpitensyang kabayaran upang mapanatili ang mga nangungunang talento. Para sa mga organisasyong may limitadong badyet, ang pagpili ay kadalasang nakasalalay kung mayroon silang datos o access sa kadalubhasaan.
Mga Hybrid na Pamamaraan
Parami nang parami, ang pinakatumpak na mga pagtataya ay nagmumula sa pagsasama ng parehong pamamaraan sa halip na pumili ng isa. Kayang pangasiwaan ng machine learning ang mabibigat na quantitative lifting at surface patterns, habang sinusuri ng mga ekspertong tao ang mga output, inaayos ang mga qualitative factor, at binabago ang modelo kapag may napansin silang mali. Ang human-in-the-loop na pamamaraang ito ay nagiging karaniwang kasanayan sa mga larangan mula sa pananalapi hanggang sa epidemiology.
Mga Kalamangan at Kahinaan
Pagtataya sa Machine Learning
Mga Bentahe
+Mabilis na nagpoproseso ng napakalaking dataset
+Mga iskala na may minimal na marginal cost
+Natutukoy ang mga nakatagong pattern
+Pare-pareho at maaaring kopyahin
Nakumpleto
−Nangangailangan ng malalaking dataset ng pagsasanay
−Mahirap dahil sa mga hindi pa naganap na pangyayari
−Kadalasan ay kulang sa interpretasyon
−Maaaring magmana ng mga bias sa datos
Pagtataya ng Eksperto ng Tao
Mga Bentahe
+Umaangkop sa mga bagong senaryo
+Isinasama ang kontekstong kwalitatibo
+Maipapaliwanag ang mga desisyon
+Hindi kinakailangan ang datos ng pagsasanay
Nakumpleto
−Limitadong kakayahang sumukat
−Napapailalim sa mga cognitive bias
−Mas mabagal at mas mahal
−Pabagu-bago sa iba't ibang indibidwal
Mga Karaniwang Maling Akala
Alamat
Ang machine learning ay palaging nakakagawa ng mas tumpak na mga pagtataya kaysa sa mga tao.
Katotohanan
Ang katumpakan ay lubos na nakasalalay sa larangan. Sa mga matatag at mayaman sa datos na kapaligiran, ang ML ay kadalasang nananalo, ngunit sa mga bago o mabilis na nagbabagong sitwasyon, ang mga bihasang tagapaghula ng tao ay kadalasang mas mahusay kaysa sa mga algorithm. Ipinapakita ng mga pag-aaral tulad ng pananaliksik ng superforecaster ng Tetlock na kayang malampasan ng mga tao ang mga baseline ng ML sa mga tanong na geopolitical.
Alamat
Ang panghuhula ng mga eksperto ay panghuhula lamang batay sa kutob.
Katotohanan
Ang mga bihasang ekspertong tagahula ay gumagamit ng mga nakabalangkas na pamamaraan tulad ng reference class forecasting, decomposition, at probability updateing. Sinusubaybayan nila ang kanilang mga hula, natututo mula sa mga pagkakamali, at gumagamit ng mahigpit na pangangatwiran sa halip na umasa lamang sa intuwisyon.
Alamat
Kapag nasanay na, hindi na kailangang i-update ang isang modelo ng pagtataya ng ML.
Katotohanan
Ang mga modelo ay nasisira sa paglipas ng panahon habang nagbabago ang mga pattern sa totoong mundo, isang problemang kilala bilang concept drift. Karamihan sa mga production ML system ay nangangailangan ng regular na muling pagsasanay, pagsubaybay, at pagpapanatili upang manatiling tumpak.
Alamat
Ang mas maraming data ay palaging nagpapahusay sa mga pagtataya ng machine learning.
Katotohanan
Mahalaga ang kalidad ng datos gaya ng dami. Ang may kinikilingang, luma na, o maingay na datos ay maaaring magpalala pa sa mga hula, at ang pagdaragdag ng parehong may depektong datos ay hindi naaayos ang mga pinagbabatayang problema.
Alamat
Masyadong may kinikilingan ang mga ekspertong tao para makapaghula nang maaasahan.
Katotohanan
Bagama't umiiral ang mga cognitive bias, ang mga structured forecasting techniques at pagsasama-sama ng mga prediksyon mula sa maraming independiyenteng eksperto ay makabuluhang nakakabawas ng bias. Ipinakita ng pananaliksik ng Tetlock na ang pinagsama-samang mga pagtataya ng eksperto ay maaaring maging lubos na tumpak.
Mga Madalas Itanong
Alin ang mas tumpak, machine learning o human expert forecasting?
Depende ito sa sitwasyon. Ang machine learning ay may posibilidad na manalo sa mga larangang mayaman sa datos at matatag tulad ng demand sa tingian o panahon, kung saan ang mga historical pattern ay maaasahang nakakahula sa hinaharap. Ang mga ekspertong tao ay may posibilidad na manalo sa mga bago o mabilis na nagbabagong sitwasyon tulad ng mga krisis sa geopolitical o pandemya. Ipinakita ng pananaliksik mula sa Good Judgment Project na ang mga nangungunang human superforecaster ay nalampasan ang mga algorithm ng humigit-kumulang 30% sa mga kaganapan sa mundo.
Maaari bang mahulaan ng mga modelo ng machine learning ang mga pangyayaring hindi pa nila nakikita noon?
Sa pangkalahatan ay hindi, hindi kung walang muling pagsasanay. Kinikilala ng mga modelo ng ML ang mga pattern mula sa mga makasaysayang datos, kaya ang mga tunay na hindi pa naganap na mga kaganapan tulad ng COVID-19 o mga biglaang pagbabago sa regulasyon ay maaaring maging sanhi ng kanilang pagkabigo hangga't hindi sila naa-update ng mga bagong impormasyon. Mas mahusay na nahaharap ng mga eksperto sa tao ang mga sitwasyong ito dahil maaari silang mangatwiran mula sa mga unang prinsipyo.
Gaano karaming data ang kailangan mo para sa machine learning forecasting?
Walang pangkalahatang sagot, ngunit karamihan sa mga praktikal na modelo ng pagtataya ay nangangailangan ng hindi bababa sa daan-daan o libu-libong obserbasyon upang matuto ng mga makabuluhang pattern. Ang mga simpleng modelo tulad ng linear regression ay maaaring gumana nang mas kaunti, habang ang mga pamamaraan ng deep learning ay karaniwang nangangailangan ng mas malalaking dataset. Ang kalidad ng data ay kadalasang mas mahalaga kaysa sa dami.
Ano ang isang superforecaster?
Ang superforecaster ay isang terminong nilikha ng mananaliksik na si Philip Tetlock upang ilarawan ang mga indibidwal na palaging gumagawa ng mga tumpak na hula tungkol sa mga pangyayari sa mundo. Sila ay may posibilidad na maging mabilang, bukas ang isipan, handang i-update ang mga paniniwala batay sa mga bagong ebidensya, at mahusay sa paghahati-hati ng mga kumplikadong problema sa mas maliliit na piraso. Humigit-kumulang 2% ng mga kalahok sa mga pag-aaral ng Tetlock ang kwalipikado bilang mga superforecaster.
Maaari mo bang pagsamahin ang machine learning at human forecasting?
Oo nga, at maraming organisasyon ngayon ang gumagawa nito. Ang isang karaniwang pamamaraan ay ang paggamit ng mga modelo ng ML upang makabuo ng mga baseline na hula, pagkatapos ay ipasuri at isaayos ang mga ito ng mga eksperto batay sa mga kwalitatibong salik na maaaring hindi matupad ng modelo. Ang hybrid na pamamaraang ito ay kadalasang mas mahusay kaysa sa alinmang pamamaraan lamang, lalo na sa mga larangan tulad ng pananalapi, pamamahala ng supply chain, at pangangalagang pangkalusugan.
Ano ang mga pangunahing bias sa pagtataya ng mga ekspertong tao?
Kabilang sa mga karaniwang cognitive bias ang anchoring (labis na pag-asa sa paunang impormasyon), confirmation bias (paghahanap ng ebidensya na sumusuporta sa mga umiiral na pananaw), labis na kumpiyansa, at recency bias (pagbibigay ng labis na bigat sa mga kamakailang pangyayari). Ang mga nakabalangkas na pamamaraan ng pagtataya at pagsasama-sama ng maraming independiyenteng hula ay nakakatulong na mabawasan nang malaki ang mga bias na ito.
Aling mga industriya ang pinaka-gumagamit ng machine learning forecasting?
Ang retail, pananalapi, enerhiya, pangangalagang pangkalusugan, at pamamahala ng supply chain ay kabilang sa mga pinakamalaking gumagamit nito. Ginagamit ng mga kumpanya ang ML forecasting para sa pagpaplano ng demand, paghula ng presyo ng stock, pagtataya ng karga ng enerhiya, mga rate ng pagpasok ng pasyente, at pag-optimize ng imbentaryo. Ang Amazon, Google, at Walmart ay mga kilalang halimbawa ng mga organisasyong nagpapatakbo ng ML forecasting sa malawakang saklaw.
Paano mo sinusuri ang katumpakan ng pagtataya?
Kabilang sa mga karaniwang sukatan ang Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), at para sa mga probabilistic forecast, ang Brier score o log loss. Ang pinakamahusay na sukatan ay nakadepende kung mas mahalaga sa iyo ang mga tipikal na error, malalaking error, o ang pagkakalibrate ng mga pagtatantya ng probabilidad.
Mahalaga pa rin ba ang pagtataya ng mga eksperto sa panahon ng AI?
Oo, sobra. Bagama't mahusay ang AI sa malawakang pagkilala ng mga pattern, mas mahusay pa rin ang mga tao sa mga sitwasyong nangangailangan ng paghuhusga sa konteksto, etikal na pangangatwiran, at pag-aangkop sa mga bagong sitwasyon. Maraming sistema ng AI ang partikular na idinisenyo upang tulungan ang mga ekspertong tao sa halip na palitan sila, at patuloy na lumalaki ang pangangailangan para sa mga bihasang tagahula.
Anong mga kasanayan ang bumubuo sa isang mahusay na tagapaghula ng tao?
Ang mga mahuhusay na manghuhula ay may posibilidad na maging komportable sa mga numero, mapagkumbaba sa intelektwal na aspeto, handang baguhin ang kanilang mga isip, at mahusay sa paghahati-hati ng malalaking tanong sa mas maliliit at mas masasagot na mga bahagi. Aktibo silang naghahanap ng mga ebidensyang hindi nagpapatunay, maingat na sinusubaybayan ang kanilang mga hula, at unti-unting ina-update ang mga probabilidad sa halip na tumalon sa mga konklusyon.
Hatol
Piliin ang machine learning forecasting kapag marami kang historical data, kailangan ng malawakang prediksyon, at gumagana sa isang medyo matatag na kapaligiran. Piliin ang human expert forecasting kapag nakikitungo sa mga bagong sitwasyon, limitadong data, o mga senaryo kung saan mas mahalaga ang kontekstwal na pangangatwiran kaysa sa pagkilala ng pattern. Para sa karamihan ng mga seryosong aplikasyon, ang pinakamahusay na resulta ay nagmumula sa pagsasama ng parehong pamamaraan sa halip na ituring ang mga ito bilang magkakumpitensya.
