Роль підготовки даних у точному прогнозуванні попиту

Традиційний французький весільний торт Крокембуш входить в число найскладніших десертів світу. Він готується близько чотирьох годин і складається зі 100 профітролей, що складені у конус. Декор, зазвичай, не дуже складний і займає десь близько 30 хвилин – 12-15% всього часу. Це схоже на проєкти з прогнозування попиту чи персональних рекомендацій на базі моделей машинного навчання. Нещодавно пояснював одному потенціальному клієнту, чому так багато часу проходить до того моменту, коли він зможе побачити результат.

Порівняймо більш детально на прикладі проєкту прогнозування попиту.

1. Приготування профітролей (підготовка даних):
   • Подібно до того, як підготовка профітролей є основою для приготування крокембушу, підготовка даних є основою для проєкту прогнозування попиту.
   • Підготовка даних передбачає збір, очищення та трансформацію первинних даних, подібно до того, як готується тісто для профітролей і формується перед випіканням.
   • Без добре підготовлених даних проєкт прогнозування попиту, як і проєкт «Крокембуш», не матиме міцного підґрунтя, на яке можна було б покластися при побудові моделей.
2. Начинка профітролей (функціональний інжиніринг):
   • Наповнення профітролей кремом або іншою бажаною начинкою відповідає етапу розробки ознак у проєкті прогнозування попиту.
   • Інженерія ознак передбачає вибір і створення релевантних ознак з підготовлених даних, які фіксують значущу інформацію та закономірності.
   • Подібно до того, як начинка покращує смак і текстуру профітролей, належна інженерія ознак підвищує прогностичну силу моделей ML у проєкті прогнозування попиту.
3. Збірка профітролей (навчання та оцінка моделі):
   • Збирання профітролей у вежу являє собою етапи навчання та оцінювання моделі в проєкті прогнозування попиту.
   • Навчання моделі передбачає тренування ML-моделей з використанням підготовлених даних і вибраних ознак, подібно до того, як профітролі збираються разом, щоб створити структуру Крокембуша.
   • Оцінка моделей визначає продуктивність і точність навчених моделей, забезпечуючи їхню стабільність і достовірність, подібно до того, як зібрана вежа з профітролей повинна бути стабільною і структурно міцною.
4. Декорування Крокембуша (розгортання та моніторинг моделі):
   • Оформлення Крокембуша відповідає етапам розгортання та моніторингу моделі в проєкті прогнозування попиту.
   • Розгортання моделі передбачає інтеграцію навчених моделей в операційну систему для генерування прогнозів попиту в реальному часі, подібно до того, як «Крокембуш» подається споживачам.
   • Моніторинг продуктивності розгорнутих моделей гарантує, що вони продовжуватимуть надавати точні прогнози з плином часу, подібно до того, як візуальна привабливість і цілісність прикрашеного Крокембуша зберігається протягом усього заходу.

В обох випадках така аналогія підкреслює критичну важливість кожного етапу, бо без добре підготовленої бази у вигляді підготовки даних проєкт прогнозування попиту не матиме необхідного фундаменту для побудови точних ML-моделей, так само як крокембуш неможливо зібрати без складених профітролей.

Аналогічно, без належного оздоблення та постійного моніторингу цінність проєкту прогнозування попиту зменшується, так само як візуальна привабливість і якість крокембуша погіршиться без ретельної уваги до оздоблення.

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365