A + B = C
این معادله ساده می تواند مبنای یک مدل ریاضی نسبتاً ابتدایی باشد. A و B ورودی هایی را نشان می دهند که یک تابع ریاضی را برای برگرداندن خروجی به آنها اعمال می کنید. اگر فقط همه مدلینگ ها به این شسته و رفته و آسان بود.
مدل های سفارشی مورد نیاز برای ارائه بینش شخصی در مورد داده های شما بر اساس معادلات بسیار پیچیده تر ساخته شده اند. ساختن آنها اغلب مستلزم دانستن آمارهای پیشرفته و داشتن مهارتهای کدنویسی است – بدون ذکر زمان برای آموزش مدلهای خود.
خبر خوب این است که پلتفرم Domo دارای همه چیزهایی است که برای ایجاد یک مدل سفارشی کامل نیاز دارید. خبر بهتر این است که در ماههای آینده، لایه سرویس هوش مصنوعی Domo مدلهای جهانی جدیدی را ارائه میکند تا به شما امکان میدهد بدون نیاز به ساخت مدل خود، عملکردهایی مانند پیشبینی، حفاظت از حریم خصوصی و تجزیه و تحلیل احساسات را آسانتر انجام دهید.
تیم آزمایشگاههای هوش مصنوعی اطلاعات بیشتری درباره مدلهای جهانی در قسمت 4 از سریهای جریان زنده AI Insights به اشتراک گذاشتند: مدلهای جهانی: پیشبینی، PII و فراتر. برای کسب اطلاعات بیشتر، میتوانید با ضبط تماس بگیرید یا به خواندن ادامه دهید.
مدل جهانی چیست؟
مدلهای جهانی رویکردی جهانی برای مدلسازی دارند. با استفاده از یک معادله کلی – اگرچه لزوماً ساده نیست – مدل می تواند با هر ورودی که نیازهای آن را برآورده کند، کار کند.
اگر مهارت های آماری یا کدنویسی ندارید، Universal Models می تواند یک نقطه شروع عالی برای کار مدل سازی باشد. این به این دلیل است که آنها از قبل ساخته شده اند و به حداقل نصب و نگهداری نیاز دارند. مدلهای کاربرپسند برای هر کسی که حساب Domo داشته باشد در دسترس خواهد بود.
اگرچه این مدل های جدید در حال حاضر در حال توسعه هستند، اما از ماه سپتامبر به مدل پیش بینی دسترسی خواهید داشت، در حالی که مدل های تجزیه و تحلیل حریم خصوصی و احساسات در ماه های آینده منتشر خواهند شد.
تشخیص الگو که در مدل های پیش بینی اهمیت دارد
ابتدا، مدل پیشبینی جهانی از دادههای تاریخی شما برای کمک به پیشبینی نتایج آینده استفاده میکند. فرض مدل این است که آینده احتمالاً شبیه گذشته است و تمایل دارد از یک الگوی مشابه پیروی کند – با فرض وجود یک الگو.
این مدلی نیست که برای تشخیص رویدادهای تصادفی مانند روند مد طراحی شده باشد. در عوض، میتوانید از آن برای نظارت بر روندها در دورههای زمانی ثابت، مانند سفارشهای ماه به ماه، استفاده کنید.
از دیدگاه مدلسازی، معادله به صورت زیر است:
چرخه روند + فصلی + خطا = پیش بینی
- چرخه روند: افزایش یا کاهش طولانی مدت در الگوهای داده
- فصلی بودن: چرخه تکرار در سری با فرکانس های ثابت
- خطا: نوسان یا تغییر باقیمانده در داده ها
برای استفاده از مدل پیشبینی، مجموعه دادههای شما باید غنی از دادههایی باشد که امکان کشف الگو را فراهم میآورد و شامل مقادیر زمانی ثابت همراه با مقادیر نتیجه تاریخی باشد و برای شناسایی روندهای فراگیر یا الگوهای فصلی جامع و گسترده باشد.
بهعنوان مثال، پیشبینی اینکه چه اتفاقی برای سفارشهای شما در تابستان آینده میافتد، دشوار است، اگر فقط دادههای مربوط به سال قبل را داشته باشید و نتوانید تشخیص دهید که روند یا الگوی بلندمدتی وجود دارد یا خیر.
اگر مجموعههای دادهها همه الزامات را برآورده کنند، مدل پیشبینی جهانی مجموعهای از مقادیر ممکن را به شما ارائه میدهد که نتایج آینده میتوانند با احتمال نسبتاً بالا (یا فواصل پیشبینی) و همچنین میانگین مقدار ممکن برای بازههای زمانی آینده را دریافت کنند. .
بنابراین، کسبوکاری که بتواند تعداد سفارشهایی را که میتواند در هر ماه از تابستان پیش رو انتظار داشته باشد، پیشبینی کند، میتواند با دقت بیشتری برای خرید کالاها و موادی که ممکن است برای انجام آن سفارشها نیاز داشته باشد، بدون صرف هزینه اضافی برنامهریزی کند.
نحوه استفاده از مدل پیش بینی جهانی
زمانی که مدل پیشبینی در ماه سپتامبر در دسترس قرار میگیرد، این اتفاق میافتد: Domo یک مدل پیشبینی پیشفرض جهانی ارائه میکند و کاربران میتوانند بین نوع مدل ARIMA و ETS انتخاب کنند.
با این حال، اگر یک مدل پیشبینی موجود دارید که در جای دیگری میزبانی میکنید، میتوانید آن را به Domo وصل کرده و از آن در پلتفرم استفاده کنید. نیازی نیست اجازه دهید یک مدل آموزش دیده هدر برود.
سپس می توانید این مدل های پیش بینی را در Domo به چند روش پیاده سازی کنید:
- نقشه ها در App Studio: برای ایجاد یک پیش بینی، مدل را مستقیماً در نقشه وارد کنید. هنگام ایجاد نقشه، برای پاسخ به تعدادی سوال آماده باشید: ستون زمان چیست؟ ستون نتایج چیست؟ چند دوره آینده را می خواهید پیش بینی کنید؟
- جادویی ETL DataFlow: یک پیشبینی را در یک مجموعه داده محقق کنید و از مدل برای بهروزرسانی آن مجموعه داده استفاده کنید.
- فضاهای کاری Jupyter: برای انجام تجزیه و تحلیل یا پردازش پیشرفته تر، مدل را به Jupyter منتقل کنید.
- فرآیندهای کاری: از مدل در یک گردش کار برای راه اندازی اقدامات خاص استفاده کنید. اگر کاهش فروش ماهانه را پیشبینی کنید، این یک هشدار ایجاد میکند.
بنابراین از هم اکنون به این فکر کنید که چگونه پیش بینی می تواند تجزیه و تحلیل داده های شما را ارتقا دهد. و به یاد داشته باشید، برای انجام این نوع مدلسازی، مجموعه داده شما به ستونهای زیادی نیاز ندارد، اما به ردیفهای زیادی نیاز دارید.
دو مدل جهانی دیگر در افق
ما به یک مدل پیشبینی نیاز نداریم تا به ما بگوید که دو الگوی جهانی دیگر در حال تنظیم هستند. بیایید نگاهی گذرا به آنچه می توانید در ماه های آینده داشته باشید بیاندازیم.
مدل جهانی PII
اطلاعات شناسایی شخصی (PII) اطلاعاتی است که می تواند برای شناسایی یک شخص خاص مانند نام، شماره تامین اجتماعی، شماره کارت اعتباری یا آدرس آنها استفاده شود. شرکتها باید هنگام جمعآوری، ذخیره و پردازش دادههای شخصی مراقب باشند تا با الزامات قانونی و مقرراتی مطابقت داشته باشند. همچنین، همه PII یکسان نیستند. به عنوان مثال، حفاظت از شماره های تامین اجتماعی باید اولویت بیشتری نسبت به پردازش آدرس های ایمیل داشته باشد.
بسیاری از مدلهای کشف PII علاوه بر گرانبودن و سفارشیسازی دشوار، با دادههای بدون ساختار مانند ایمیلها و اسناد بسیار بهتر از دادههای جدولی کار میکنند. ما با معرفی یک مدل جهانی که از یک سیستم کشف PII در سراسر نمونههای Domo پشتیبانی میکند، به این مشکل میپردازیم.
نحوه کار به این صورت است: از طریق این مدل، کاربران میتوانند مجموعه دادههای موجود خود را به مجموعه داده جدیدی تبدیل کنند که مروری سریع از تعداد دفعات وقوع انواع خاصی از PII ارائه میدهد. بنابراین اگر بتوانید PII را در مجموعه داده خود کشف و طبقه بندی کنید، می توانید به راحتی اقدامات مناسب را برای محافظت از آن انجام دهید.
یک مدل جهانی برای تحلیل احساسات
مهم است که بدانید مردم در مورد خدمات یا محصول شما چه احساسی دارند. اما یادگیری آن همیشه آسان نیست، به خصوص به این دلیل که این بینش ها در هزاران داده متنی ساختار نیافته دفن شده اند: نظرات رسانه های اجتماعی، بررسی های آنلاین، نظرسنجی از مشتریان، و رونوشت تماس های مشتریان.
مدل تحلیل احساسات جهانی آینده Domo میتواند به مرتب کردن همه چیز کمک کند. این مدل به گونه ای طراحی شده است که به هر پاسخ (خواه از یک نظر، بررسی، نظرسنجی یا متن) نگاه کند و به آن یک امتیاز قطبی بین 1- و 1 اختصاص دهد. بررسی نامطلوب
شما میتوانید آستانههای خود را تعیین کنید تا تعیین کنید کدام نتایج بهعنوان بررسیهای مثبت، خنثی یا منفی محسوب میشوند و میتوانید تنظیمات خود را برای بهبود دقت در طول زمان انجام دهید.
چیز دیگری که این مدل می تواند به آن کمک کند: یادگیری آنچه منجر به نظرات منفی یا مثبت می شود. به عنوان مثال، ممکن است مشتریان کارکنان شما را بسیار مفید بدانند، یا ممکن است به دلیل قیمتگذاری شما ناامید شده باشند. با شناسایی موضوعات مورد علاقه، مانند قیمت گذاری یا کارکنان، و ترکیب مدل های طبقه بندی، می توانید بفهمید که چه اتفاقی می افتد و بهتر به نیازهای مشتری پاسخ دهید.
مدل های بیشتری برای کاربران Domo در راه است
تیم Domo AI Labs دائماً در حال یافتن راههای جدیدی برای بهبود تجربه کاربر با ساده کردن تجزیه و تحلیل قدرتمند است. راه اندازی مدل های جهانی آسان، استفاده آسان و ردیابی آسان است. تصمیم گیری مبتنی بر داده را با مدل های خارج از جعبه تسریع کنید که از عملکردهای حیاتی در بین تیم ها پشتیبانی می کنند.
و اگر میخواهید در دنیای Domo.AI عمیقتر شوید، میتوانید:
- ما را بررسی کنید راهنمای آمادگی هوش مصنوعیدر انجمن های انجمن ما ارسال شده است. این یک چک لیست برای آماده سازی مجموعه داده های شما برای آماده شدن برای هر مورد استفاده از هوش مصنوعی است.