11-Dec-2024
يعد التخطيط للمستقبل أمرًا مهمًا في الكثير من قطاعات الخدمات التي تشمل توقعات المبيعات، والتنبؤ المالي، وحتى تغير المناخ. في السنوات الأخيرة، أثبت الذكاء الاصطناعي منظمة العفو الدولية أنه أداة تحسين مفيدة لدقة هذه التنبؤات. ومع ذلك، هناك العديد من نماذج الذكاء الاصطناعي، وليس من الواضح دائمًا متى تكون هناك حاجة لمثل هذا النموذج للتنبؤ. في هذه المدونة، سنقوم بإدراج نماذج الذكاء الاصطناعي للتنبؤ التي نستخدمها أكثر من غيرها، ومزاياها وكيفية اختيار النموذج الذي يلبي احتياجاتك.
يتكون التنبؤ بالسلاسل الزمنية من تقييم السلوك السابق لظاهرة ما من أجل التنبؤ بمستقبلها. نماذج الذكاء الاصطناعي الموجهة لحل هذا التحدي بالذات يمكن أن تكون إما نماذج إحصائية أو نماذج للتعلم الآلي.
أريما هي طريقة إحصائية تقليدية تُستخدم بشكل شائع في التنبؤ بالسلاسل الزمنية. وهو يتألف من الانحدار الذاتي، والاختلاف، والمتوسطات المتحركة ماجستير. تفترض أريما أن البيانات أحادية المتغير وثابتة إلى حد ما، كما أنها خالية من أي اتجاهات معقدة أو تغيرات موسمية.
سهولة الاستخدام والشرح
التنبؤ على المدى القصير على البيانات الثابتة أمر معقول.
العيوب:
لا يعمل بشكل جيد في ظل وجود بيانات أو أنماط موسمية.
يجب أن تكون البيانات ثابتة قبل استخدامها، لذلك يجب إزالة الاتجاهات والموسمية مسبقًا.
ساريما، والتي ترمز إلى المتوسط المتحرك المتكامل للانحدار التلقائي الموسمي أريما، هي عملية بناء بيانات موسمية للمساعدة في التنبؤ بالاتجاهات. إنه يوسع نموذج أريما من خلال تضمين العناصر الموسمية مما يجعله مناسبًا للبيانات التي تظهر تغيرات دورية على المدى الطويل.
نقاط القوة:
يعد هذا أمرًا رائعًا بالنسبة لبيانات السلاسل الزمنية الموسمية مثل مبيعات التجزئة والتنبؤ بالطلب.
نقاط الضعف:
يشارك في عمليات إعداد البيانات المعقدة التي تتضمن التعديلات الخارجية والموسمية.
قد يكون من الصعب تحقيق أفضل النتائج مع.
على الرغم من أن الأساليب الإحصائية مثل أريما تخدم أغراضها، إلا أن تقنيات التعلم الآلي هي التي أصبحت أكثر شيوعًا بسبب قدرتها على نمذجة التفاعلات المعقدة وغير الخطية داخل البيانات.
الغابة العشوائية هي تقنية للتعلم الجماعي حيث يتم إنشاء أشجار قرارات متعددة للتنبؤ بالنتيجة. فهو يبني كل شجرة على عينة عشوائية مختلفة من البيانات وفي النهاية، يتم حساب متوسط توقعات جميع الأشجار للوصول إلى التنبؤ النهائي.
نقاط القوة:
يمكن أن يتعلم العلاقات الخطية وغير الخطية بشكل جيد.
يمكنه العمل مع كميات كبيرة من البيانات والتعامل مع البيانات المفقودة بفعالية.
نقاط الضعف:
توفر وضوحًا أقل من النماذج الأكثر وضوحًا.
قد يؤدي تنفيذ مجموعات البيانات الكبيرة إلى استخدام المزيد من الموارد الحسابية.
أسلوب المجموعة الآخر هو آلات تعزيز التدرج جي بي إم التي تبني أشجار القرار واحدة تلو الأخرى، وتصحح الشجرة السابقة في كل مرحلة. لا عجب أن شركة جي بي إم مشهورة بدقتها التنبؤية.
المزايا:
جيد جدًا في التعامل مع الاتجاهات غير الخطية أو العلاقات الأخرى في البيانات.
عادةً ما تكون أكثر دقة من غابة عشوائية في العديد من تطبيقات النمذجة التنبؤية.
العيوب:
يتطلب قدرا كبيرا من الموارد الحسابية والوقت لمرحلة التدريب.
يمكن بسهولة تجاوز النموذج إذا لم يتم تطبيق التنظيم المناسب.
لقد أدت الطبيعة المعقدة للمهام بالفعل إلى تصعيد استخدام نماذج التعلم العميق خاصة عندما تتوفر كميات كبيرة من البيانات وتكون العلاقة غير خطية.
يمكن أيضًا تصنيف إحدى الشبكات العصبية الأكثر تقدمًا المستخدمة في LSTMs للتعلم العميق على أنها شبكة عصبية متكررة (RNN) وهي فعالة في التنبؤ بتسلسل البيانات، ما عليك سوى وضع البيانات المرتبطة بالوقت مثل قيم سوق الأوراق المالية. تساعد الذاكرة الطويلة في تذكر تسلسلات طويلة من البيانات. وهذه ميزة عندما تحتوي البيانات على بعض الاتجاهات أو الأنماط الدورية وتتغير هذه البيانات مع مرور الوقت.
نقاط القوة:
إنه جيد للسلاسل الزمنية المعقدة ذات الدوريات التي تمتد بمرور الوقت.
إنه يعمل بشكل جيد للتنبؤ بسلسلة زمنية واحدة أو مجموعة من السلاسل الزمنية.
ضعف:
LSTMs ليست شبكات ضحلة، وبالتالي تحتاج إلى بيانات واسعة النطاق للتدريب عليها.
تشغيله مكلف وقد يتطلب أجهزة مخصصة.
المحولات هي نماذج تم اختراعها لأول مرة لمهام تتعلق بمعالجة اللغات الطبيعية، ولكنها تتزايد شعبيتها في التنبؤ بالسلاسل الزمنية. من خلال استخدام الآليات التي تسمح بمعالجة جميع أجزاء بيانات الإدخال في وقت واحد بطريقة مشروطة، تقوم هذه النماذج أيضًا بإزالة الوحدات المتكررة، مما يجعلها أكثر كفاءة من LSTMs - خاصة في مجموعات البيانات الأكبر.
المزايا:
يمكن التعامل مع بيانات التبعية طويلة المدى؛
معدل تدريب هذه الوحدات أعلى من تدريب وحدات LSTM.
العيوب:
مثل هذه الشبكات ليست دقيقة للغاية ما لم يتم تدريبها باستخدام كمية هائلة من البيانات.
يمكن أن تكون هذه النماذج معقدة للغاية بالنسبة لمشاكل التنبؤ الدنيوية.
4
31-Dec-1969
4
Post a Comment