Cel mai bun răspuns
Din http://nips.cc/Conferences/2007/Program/event.php?ID=573
Predicția structurată este un cadru pentru rezolvarea problemelor de clasificare sau regresie în care variabilele de ieșire sunt dependente sau constrânse reciproc. Aceste dependențe și constrângeri reflectă structura secvențială, spațială sau combinatorie în domeniul problemei, iar captarea unor astfel de interacțiuni este adesea la fel de importantă ca și captarea dependențelor de intrare-ieșire. Multe astfel de probleme, inclusiv analiza limbajului natural, traducerea automată, segmentarea obiectelor, predicția genelor, alinierea proteinelor și numeroase alte sarcini în lingvistică computațională, vorbire, viziune, biologie, nu sunt noi. Cu toate acestea, progresele recente au adus o viziune unificată, o metodologie eficientă și, mai important, îmbunătățiri semnificative ale preciziei atât pentru problemele clasice, cât și pentru cele noi. Acest tutorial va explica provocările fundamentale de calcul și statistice care decurg din dimensionalitatea ridicată a intrărilor și explozia exponențială a numărului de rezultate comune posibile. Voi descrie confluența evoluțiilor din mai multe domenii în rezolvarea acestor provocări pentru clase largi de probleme: marje mari și metode online de predicție, metode variaționale pentru inferența modelului grafic și optimizare combinatorie și convexă pe scară largă. De asemenea, voi prezenta câteva aspecte deschise cu dificultăți deosebite în predicția structurată, inclusiv consistența asimptotică, efectele inferenței aproximative, învățarea semisupervizată și slab supravegheată.
Termenul este definit în opoziție cu „Clasificare”. În mod liber, având în vedere unele date de intrare x, atribuiți o etichetă y pentru acele date, adică este acest e-mail spam? Are acest pacient o boală? „Predicția structurată” încearcă să răspundă, având în vedere unele date de intrare x, să găsească cea mai bună structură y legată de acele date. Această distincție este importantă atunci când y provine dintr-un set mare / exponențial de posibilități, cum ar fi în traducere, ceea ce implică faptul că este necesar un fel de căutare pentru a rezolva problema. Încadrarea problemei în acest mod evidențiază compromisul dintre căutare și învățare. Alegerea unor tehnici de căutare mai rapide decât y poate duce la reprezentări de caracteristici mai reduse și la performanțe mai slabe.
Răspuns
Predicțiile umane se bazează pe date istorice și se bazează pe interacțiunea umană pentru interogarea datelor, validarea modelelor , creați și apoi testați ipoteze.
Aplicațiile de analiză predictivă umană implică trei componente fundamentale:
- Date: Eficacitatea fiecărui model predictiv depinde în mare măsură de calitatea datelor istorice pe care le procesează.
- Modelare statistică: Include diferitele tehnici statistice variind de la funcții de bază la funcții complexe utilizate pentru derivarea sensului, a perspicacității și a inferenței. Regresia este cea mai frecvent utilizată tehnică statistică.
- Ipoteze: Concluziile trase din datele colectate și analizate presupun de obicei că viitorul va urma un model legate de trecut.
Predicțiile umane pot fi aplicate în numeroase moduri pentru a spori productivitatea afacerii. Statisticile predictive derivate din analiza datelor sunt extrem de utile pentru specialiștii în marketing. Acestea pot ajuta la prezicerea eficienței campaniei, la informarea luării deciziilor privind garanțiile, piețele geografice și datele demografice pe care trebuie să le vizeze. Dar cu cât dorința de direcționare și segmentare este mai detaliată, cu atât cerințele de timp și costuri sunt mai mari, ceea ce face aproape imposibilă campanii de succes, hiperpersonalizate.
Predicții AI
Predicția AI este o continuare a conceptelor din jurul analizei predictive, cu o diferență cheie: sistemul AI este capabil să facă presupuneri, să testeze și să învețe în mod autonom.
AI este una dintre cele mai proeminente tehnici utilizate pentru marketing hiper-personalizat. Învățarea automată a IA face presupuneri, reevaluează modelul și reevaluează datele, toate fără intervenția unui om. Acest lucru schimbă totul.
La fel cum AI înseamnă că un inginer uman nu trebuie să codeze pentru fiecare acțiune / reacție posibilă, învățarea automată a AI este capabilă să testeze și să testeze din nou datele pentru a prezice fiecare posibil client-produs potriviți, cu o viteză și o capacitate pe care nimeni nu le poate atinge.
Multe companii precum Technostacks depind astăzi de algoritmi de învățare automată pentru a-și înțelege mai bine clienții și oportunități de venituri potențiale. Sute de algoritmi de învățare automată existenți și nou dezvoltați sunt aplicați pentru a obține predicții de ultimă generație care ghidează deciziile în timp real, bazându-se mai puțin pe intervenția umană.