La mejor respuesta
De http://nips.cc/Conferences/2007/Program/event.php?ID=573
La predicción estructurada es un marco para resolver problemas de clasificación o regresión en los que las variables de salida son mutuamente dependientes o restringidas. Estas dependencias y restricciones reflejan una estructura secuencial, espacial o combinatoria en el dominio del problema, y capturar tales interacciones es a menudo tan importante como capturar las dependencias de entrada y salida. Muchos de estos problemas, incluido el análisis sintáctico del lenguaje natural, la traducción automática, la segmentación de objetos, la predicción de genes, la alineación de proteínas y muchas otras tareas en lingüística computacional, habla, visión, biología, no son nuevos. Sin embargo, los avances recientes han traído consigo una visión unificada, una metodología eficiente y, lo que es más importante, importantes mejoras de precisión tanto para problemas clásicos como nuevos. Este tutorial explicará los desafíos computacionales y estadísticos fundamentales que surgen de la alta dimensionalidad de las entradas y la explosión exponencial del número de posibles resultados conjuntos. Describiré la confluencia de desarrollos en varias áreas para resolver estos desafíos para amplias clases de problemas: métodos de predicción en línea y de gran margen, métodos variacionales para la inferencia de modelos gráficos y optimización combinatoria y convexa a gran escala. También describiré varios temas abiertos de especial dificultad en la predicción estructurada, incluida la consistencia asintótica, los efectos de la inferencia aproximada, el aprendizaje semisupervisado y débilmente supervisado.
El término se define en oposición a «Clasificación». En términos generales, dados algunos datos de entrada x, asigne una etiqueta y para esos datos, es decir, ¿este correo electrónico es spam? ¿Tiene este paciente alguna enfermedad? La «predicción estructurada» intenta responder, dados algunos datos de entrada x, encontrar la mejor estructura y relacionada con esos datos. Esta distinción es importante cuando y proviene de un conjunto grande / exponencial de posibilidades, como en la traducción, lo que implica que se necesita algún tipo de búsqueda para resolver el problema. Enmarcar el problema de esta manera resalta el compromiso entre búsqueda y aprendizaje. La elección de técnicas de búsqueda más rápidas en lugar de y puede generar representaciones de características menos profundas y un peor rendimiento.
Respuesta
Las predicciones humanas se basan en datos históricos y dependen de la interacción humana para consultar datos y validar patrones , cree y luego pruebe suposiciones.
Las aplicaciones de análisis predictivo humano involucran tres componentes fundamentales:
- Datos: La efectividad de cada modelo predictivo depende en gran medida de la calidad de los datos históricos que procesa.
- Modelado estadístico: Incluye las diversas técnicas estadísticas que van desde funciones básicas a complejas utilizadas para la derivación de significado, percepción e inferencia. La regresión es la técnica estadística más utilizada.
- Supuestos: Las conclusiones extraídas de los datos recopilados y analizados generalmente asumen que el futuro seguirá un patrón relacionados con el pasado.
Las predicciones humanas se pueden aplicar de diversas formas para mejorar la productividad empresarial. Los conocimientos predictivos derivados del análisis de datos son extremadamente útiles para los especialistas en marketing. Pueden ayudar a predecir la efectividad de la campaña, informar la toma de decisiones sobre garantías, mercados geográficos y datos demográficos a los que apuntar. Pero cuanto más detallado es el deseo de segmentar y segmentar, mayor es la demanda de tiempo y costo, lo que hace que las campañas exitosas e hiperpersonalizadas sean casi imposibles.
Predicciones de IA
La predicción de IA es una continuación de los conceptos relacionados con el análisis predictivo, con una diferencia clave: el sistema de IA puede hacer suposiciones, probar y aprender de forma autónoma.
IA es una de las técnicas más destacadas utilizadas para el marketing hiperpersonalizado. El aprendizaje automático de IA hace suposiciones, reevalúa el modelo y reevalúa los datos, todo sin la intervención de un ser humano. Esto lo cambia todo.
Así como la inteligencia artificial significa que un ingeniero humano no necesita codificar todas y cada una de las posibles acciones / reacciones, el aprendizaje automático de la inteligencia artificial puede probar y volver a probar los datos para predecir cada posible producto de cliente igualar, a una velocidad y capacidad que ningún ser humano podría alcanzar.
Muchas empresas como Technostacks hoy dependen de algoritmos de aprendizaje automático para comprender mejor a sus clientes y posibles oportunidades de ingresos. Se aplican cientos de algoritmos de aprendizaje automático existentes y desarrollados recientemente para derivar predicciones de alto nivel que guían las decisiones en tiempo real con menos dependencia de la intervención humana.