𝗗𝗲𝗺𝗮𝗻𝗱 𝗙𝗼𝗿𝗲𝗰𝗮𝘀𝘁𝗶𝗻𝗴 𝗪𝗶𝘁𝗵𝗼𝘂𝘁 𝗮 𝗗𝗮𝘁𝗮 𝗦𝗰𝗶𝗲𝗻𝘁𝗶𝘀𝘁
சிறிய குழுக்களில் பெரும்பாலும் தரவு விஞ்ஞானிகள் (data scientists) இருப்பதில்லை. இருப்பினும், அவர்கள் எதிர்காலத்தைக் கணிக்க வேண்டியுள்ளது. AI இதை மாற்றுகிறது.
முன்னறிவிப்பு செய்வதற்கு முன்பு ஆழமான கணிதத் திறன்கள் தேவைப்பட்டன. தரவைச் சுத்திகரிக்கவும், சிக்கலான மாதிரிகளைத் (models) தேர்ந்தெடுக்கவும் நிபுணர்கள் தேவைப்பட்டனர். இது ஒரு தடையை உருவாக்கியது. தயாரிப்பு மேலாளர்களும் (Product managers) வணிக உரிமையாளர்களும் அறிக்கைகளுக்காக வாரக்கணக்கில் காத்திருக்க வேண்டியிருந்தது அல்லது வெறும் உள்ளுணர்வை மட்டுமே நம்பியிருக்க வேண்டியிருந்தது.
காத்திருப்பதன் விலை அதிகம். சில்லறை விற்பனையாளர்கள் தேவையின் திடீர் அதிகரிப்புகளைத் தவறவிடுகிறார்கள். உள்ளடக்கக் குழுக்கள் (Content teams) பருவகாலப் போக்குகளைத் தவறவிடுகிறார்கள். தயாரிப்பு மேலாளர்கள் தவறான திட்டங்களை (roadmaps) வகுக்கிறார்கள்.
உங்களிடம் தரவு இருக்க வாய்ப்புள்ளது. விற்பனைப் பதிவுகள் மற்றும் போக்குவரத்துப் பதிவுகள் (traffic logs) ஏற்கனவே உள்ளன. அவற்றைப்பயன்படுத்தத் தேவையான கருவிகள் மட்டுமே உங்களிடம் இல்லை.
Foundation models இந்தச் செயல்முறையை மாற்றுகின்றன. இந்த மாதிரிகள் சில்லறை விற்பனை, நிதி மற்றும் தளவாடங்கள் (logistics) ஆகியவற்றிலிருந்து பெறப்பட்ட மிகப்பெரிய தரவுத் தொகுப்புகளில் ஏற்கனவே பயிற்சியளிக்கப்பட்டவை (pre-trained). பருவகால மாற்றங்கள் மற்றும் போக்குகள் போன்ற வடிவங்களை இவை ஏற்கனவே புரிந்துகொண்டவை. நீங்கள் இவற்றை ஆரம்பத்திலிருந்து பயிற்றுவிக்கத் தேவையில்லை. உங்கள் தரவை அவற்றிடம் கொடுத்தால் போதும், அவை விரைவாக முடிவுகளைத் தரும்.
இது தொழில்நுட்ப அறிவு இல்லாத பயனர்களுக்கு உதவுகிறது. நீங்கள் இனி மாதிரி கட்டமைப்புகளைத் (model architectures) தேர்ந்தெடுக்க வேண்டிய அவசியமில்லை. அந்த மாதிரியே அதன் சூழலைப் புரிந்துகொண்டு செயல்படும்.
திறம்பட முன்னறிவிப்பு செய்ய இந்த வழிமுறைகளைப் பின்பற்றுங்கள்:
- உங்கள் தரவைச் சேகரியுங்கள்: கடந்த இரண்டு ஆண்டுகளில் விற்பனை அல்லதுப் பதிவு செய்தல் (signups) போன்ற தினசரி அளவீடுகளைத் (metrics) திருப்புங்கள் (export).
- முரண்பாடுகளைக் கண்டறியுங்கள் (Anomaly detection): அசாதாரணமான அதிகரிப்புகள் அல்லது விடுபட்ட தரவுகளைக் கண்டறியுங்கள். இது உங்கள் முன்னறிவிப்பைத் தவறாக மாற்றும் பிழைகளைத் தடுக்கும்.
- மாதிரியை விருப்பங்களைச் சோதிக்க விடுங்கள்: உங்கள் வரலாற்றுத் தரவுகளுடன் பல்வேறு முறைகளை ஒப்பிட்டுச் சிறந்ததைத் தேர்ந்தெடுக்கும் கருவிகளைப் பயன்படுத்துங்கள்.
- நிகழ்தகவு முன்னறிவிப்புகளைப் (Probabilistic forecasts) பயன்படுத்துங்கள்: ஒரே ஒரு எண்ணை மட்டும் எதிர்பார்க்காதீர்கள். ஒரு வரம்பை (range) எதிர்பார்க்கவும். பணியாளர்களைத் திட்டமிடுவதற்கு 1,200 முதல் 1,800 ஆர்டர்கள் போன்ற ஒரு வரம்பு மிகவும் பயனுள்ளதாக இருக்கும்.
- ஒரு முடிவை எடுங்கள்: உங்கள் வளங்களைத் திட்டமிட முன்னறிவிப்பு கால அவகாசத்தைப் (forecast window) பயன்படுத்துங்கள்.
இன்று எப்படித் தொடங்குவது:
- உங்கள் அளவீடுகளைப் பதிவு செய்யுங்கள்: உங்களிடம் ஒரு வருட வரலாற்றுத் தரவு இருந்தால், நீங்கள் தொடங்கலாம்.
- சரியான கருவிகளைக் கண்டறியுங்கள்: Foundation models-ஐப் பயன்படுத்தும் மற்றும் cross-validation வழங்கும் கருவிகளைத் தேடுங்கள்.
- நம்பிக்கையின் நிலைகளைச் (Confidence levels) சரிபார்க்கவும்: அகலமான முன்னறிவிப்பு வரம்புகள் அதிக ஏற்ற இறக்கத்தைக் குறிக்கின்றன. குறுகிய வரம்புகள் நிலைத்தன்மையைக் குறிக்கின்றன.
- மனித சூழலைச் சேர்க்கவும்: உங்கள் புதிய விளம்பரங்கள் அல்லது இழந்த வாடிக்கையாளர்களைப் பற்றி ஒரு மாதிரிக்குத் தெரியாது. தரவை உங்கள் வணிக அறிவோடு இணைக்கவும்.
தரவை உண்மையான முடிவுகளுடன் இணைப்பதன் மூலமே அதன் மதிப்பு கிடைக்கிறது.
AI முன்னறிவிப்பு குறித்த உங்கள் அனுபவம் என்ன? கீழே கருத்துத் தெரிவிக்கவும்.
Optional learning community: https://t.me/GyaanSetuAi