كيف تتنبأ الذكاء الاصطناعي بالاتجاهات؟

يستطيع الذكاء الاصطناعي رصد أنماط تغيب عن العين المجردة، كاشفًا عن إشارات تبدو للوهلة الأولى مجرد ضوضاء. عند استخدامه بالشكل الأمثل، يحوّل السلوك العشوائي إلى رؤية استشرافية قيّمة - مبيعات الشهر القادم، حركة المرور غدًا، معدل التخلي عن الخدمة لاحقًا هذا الربع. أما عند استخدامه بشكل خاطئ، فلا يُجدي نفعًا. في هذا الدليل، سنشرح بالتفصيل آلية تنبؤ الذكاء الاصطناعي بالاتجاهات، ومصادر النجاح، وكيفية تجنب الانخداع بالرسوم البيانية البراقة. سأحرص على أن يكون الشرح عمليًا، مع بعض اللحظات الصريحة وبعض التساؤلات البسيطة 🙃.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 كيفية قياس أداء الذكاء الاصطناعي
المقاييس الرئيسية لتقييم دقة وكفاءة وموثوقية أنظمة الذكاء الاصطناعي.

🔗 كيفية التحدث إلى الذكاء الاصطناعي
نصائح عملية للتواصل مع الذكاء الاصطناعي لتحسين جودة الاستجابة.

🔗 ما هو المطالبات بالذكاء الاصطناعي
شرح واضح لكيفية تأثير المحفزات على سلوك الذكاء الاصطناعي ومخرجاته.

🔗 ما هو تصنيف بيانات الذكاء الاصطناعي
مقدمة حول تصنيف البيانات بشكل فعال لتدريب نماذج التعلم الآلي.

ما الذي يجعل التنبؤ بالاتجاهات باستخدام الذكاء الاصطناعي جيدًا؟ ✅

عندما يسأل الناس عن كيفية تنبؤ الذكاء الاصطناعي بالاتجاهات، فإنهم عادةً ما يقصدون: كيف يتنبأ بشيء غير مؤكد ولكنه متكرر. يحتوي التنبؤ الجيد بالاتجاهات على بعض العناصر البسيطة ولكنها رائعة:

• البيانات ذات الإشارة - لا يمكنك استخراج عصير البرتقال من الصخر. أنت بحاجة إلى القيم السابقة والسياق.

• ميزات تعكس الواقع - المواسم، والأعياد، والعروض الترويجية، والسياق الكلي، وحتى الطقس. ليس كلها، فقط تلك التي تُحدث فرقًا ملموسًا.

• نماذج تتناسب مع الوقت - أساليب واعية بالوقت تحترم الترتيب والفجوات والانحراف.

• تقييم يحاكي عملية النشر - اختبارات خلفية تحاكي كيفية التنبؤ الفعلي. ممنوع الاطلاع على النتائج [2].

• مراقبة التغيير - العالم يتغير؛ يجب أن يتغير نموذجك أيضًا [5].

هذا هو الهيكل العظمي. أما الباقي فهو عضلات وأوتار وقليل من الكافيين.

المسار الأساسي: كيف تتنبأ تقنيات الذكاء الاصطناعي بالاتجاهات من البيانات الخام إلى التوقعات 🧪

1. جمع البيانات ومواءمتها
   : اجمع السلاسل المستهدفة بالإضافة إلى الإشارات الخارجية. تشمل المصادر النموذجية: كتالوجات المنتجات، ونفقات الإعلانات، والأسعار، والمؤشرات الاقتصادية الكلية، والأحداث. يجب مواءمة الطوابع الزمنية، ومعالجة القيم المفقودة، وتوحيد الوحدات. قد لا يكون الأمر جذابًا، ولكنه بالغ الأهمية.

2. ميزات الهندسة
   إنشاء فترات تأخير، ومتوسطات متحركة، ونسب مئوية متحركة، وعلامات أيام الأسبوع، ومؤشرات خاصة بالمجال. ولإجراء التعديل الموسمي، يقوم العديد من المختصين بتحليل السلسلة إلى مكونات الاتجاه والموسمية والباقي قبل النمذجة؛ ويُعد برنامج X-13 التابع لمكتب الإحصاء الأمريكي المرجع الأساسي لكيفية عمل ذلك وسبب نجاحه [1].

3. اختر نموذجًا للعائلة.
   لديك ثلاثة خيارات رئيسية:

• الإحصاءات الكلاسيكية : نماذج ARIMA، وETS، ونموذج فضاء الحالة/كالمان. قابلة للتفسير وسريعة.

• التعلم الآلي : تعزيز التدرج، والغابات العشوائية مع ميزات تراعي الوقت. يتميز بالمرونة عبر العديد من السلاسل الزمنية.

• التعلم العميق : الشبكات العصبية طويلة المدى (LSTM)، والشبكات العصبية التلافيفية الزمنية (Temporal CNNs)، والمحولات (Transformers). مفيد عند وجود كميات كبيرة من البيانات وبنية معقدة.

4. يُجري التحقق المتقاطع للسلاسل الزمنية اختبارًا رجعيًا صحيحًا، حيث
   يستخدم نقطة بداية متغيرة، فلا يتم التدريب على البيانات المستقبلية أثناء اختبار البيانات الماضية. وهذا هو الفرق بين الدقة الحقيقية والتمني [2].

5. التنبؤ، وتحديد عدم اليقين، وإرسال
   تنبؤات العودة بفواصل زمنية، ومراقبة الخطأ، وإعادة التدريب مع تغير الظروف العالمية. توفر الخدمات المُدارة عادةً مقاييس الدقة (مثل MAPE وWAPE وMASE) ونوافذ اختبار رجعي جاهزة للاستخدام، مما يُسهّل الحوكمة ولوحات المعلومات [3].

قصة سريعة من تجاربنا: في إحدى عمليات الإطلاق، خصصنا يومًا إضافيًا لميزات التقويم (العطلات الرسمية + علامات العروض الترويجية) وقللنا الأخطاء التي كانت تظهر في المراحل الأولى بشكل ملحوظ أكثر من مجرد تغيير النماذج. تفوقت جودة الميزات على حداثة النموذج - وهو موضوع ستلاحظونه مجددًا.

جدول مقارنة: أدوات تساعد الذكاء الاصطناعي على التنبؤ بالاتجاهات 🧰

غير مثالية عن قصد - طاولة حقيقية ببعض الخصائص البشرية الغريبة.

نعم، الصياغة غير متناسقة. هذه هي الحياة الواقعية.

هندسة الميزات التي تُحدث فرقًا حقيقيًا 🧩

أبسط إجابة مفيدة لسؤال كيف تتنبأ تقنيات الذكاء الاصطناعي بالاتجاهات هي كالتالي: نحول السلسلة إلى جدول تعلم مُشرف عليه يتذكر الوقت. بعض الخطوات الأساسية:

• التأخيرات والنوافذ : تتضمن y[t-1]، y[t-7]، y[t-28]، بالإضافة إلى المتوسطات المتحركة والانحراف المعياري. وهي تلتقط الزخم والقصور الذاتي.

• مؤشرات الموسمية : الشهر، الأسبوع، يوم الأسبوع، ساعة اليوم. تعطي حدود فورييه منحنيات موسمية سلسة.

• التقويم والفعاليات : العطلات، إطلاق المنتجات، تغييرات الأسعار، العروض الترويجية. تأثيرات العطلات على غرار Prophet هي مجرد ميزات ذات متطلبات مسبقة.

• التفكيك : طرح مكون موسمي ونمذجة الباقي عندما تكون الأنماط قوية؛ X-13 هو خط أساس تم اختباره جيدًا لهذا الغرض [1].

• المتغيرات الخارجية : الطقس، المؤشرات الكلية، مشاهدات الصفحات، الاهتمام بالبحث.

• تلميحات التفاعل : عمليات ضرب بسيطة مثل promo_flag × day_of_week. إنها طريقة غير تقليدية ولكنها غالباً ما تنجح.

إذا كان لديك عدة سلاسل منتجات مترابطة - لنقل آلاف وحدات التخزين - يمكنك تجميع المعلومات بينها باستخدام نماذج هرمية أو شاملة. عمليًا، غالبًا ما يكون النموذج الشامل المُعزز بالتدرج مع ميزات مُراعية للوقت أكثر فعالية من المتوقع.

اختيار العائلات النموذجية: منافسة ودية 🤼♀️

• ARIMA/ETS
  : قابل للتفسير، سريع، وأساسيات متينة. عيوبه: قد يصبح ضبط كل سلسلة على حدة معقدًا عند التعامل مع نطاق واسع. يمكن أن يساعد الارتباط الذاتي الجزئي في الكشف عن الرتب، ولكن لا تتوقع نتائج خارقة.

• تعزيز التدرج
  : يتعامل مع البيانات الجدولية، قوي في مواجهة الإشارات المختلطة، ممتاز مع العديد من السلاسل المترابطة. عيوبه: يجب تصميم خصائص الوقت بدقة ومراعاة السببية.

• التعلم العميق
  : يلتقط اللاخطية والأنماط المتداخلة بين السلاسل. عيوبه: يستهلك كميات هائلة من البيانات، ويصعب تصحيح أخطائه. يتألق عند توفر سياق غني أو سجلات طويلة؛ وإلا، فهو أشبه بسيارة رياضية في زحام المرور.

• النماذج الهجينة والمجموعات:
  لنكن صريحين، إنّ دمج أساس موسمي مع مُعزِّز تدرج لوني ومزجه مع نموذج LSTM خفيف الوزن هو متعة شائعة وإن كانت غير مقصودة. لقد تراجعتُ عن مبدأ "نقاء النموذج الواحد" مراتٍ أكثر مما أعترف.

السببية مقابل الارتباط: تعامل معها بحذر 🧭

لا يعني تداخل خطين بالضرورة أن أحدهما يؤثر على الآخر. غرانجر للسببية ما إذا كانت إضافة عامل مُحتمل تُحسّن التنبؤ بالهدف، بالنظر إلى تاريخه الخاص. يتعلق الأمر بالجدوى التنبؤية في ظل افتراضات الانحدار الذاتي الخطي، وليس بالسببية الفلسفية - وهو تمييز دقيق ولكنه مهم [4].

في مرحلة الإنتاج، لا يزال من الضروري التحقق من صحة البيانات بالاستناد إلى المعرفة المتخصصة. على سبيل المثال: تؤثر أيام الأسبوع على قطاع التجزئة، ولكن إضافة نقرات الإعلانات في الأسبوع الماضي قد تكون غير ضرورية إذا كان الإنفاق مُدرجًا بالفعل في النموذج.

الاختبارات السابقة والمقاييس: حيث تختبئ معظم الأخطاء 🔍

لتقييم مدى واقعية تنبؤات الذكاء الاصطناعي بالاتجاهات، قم بمحاكاة كيفية التنبؤ في الواقع العملي:

• التحقق المتقاطع ذو الأصل المتغير : يتم التدريب بشكل متكرر على البيانات السابقة والتنبؤ بالجزء التالي. وهذا يحافظ على الترتيب الزمني ويمنع التسرب المستقبلي [2].

• مقاييس الخطأ : اختر ما يناسب قراراتك. تعتبر مقاييس النسبة المئوية مثل MAPE شائعة، لكن المقاييس المرجحة (WAPE) أو المقاييس غير المعتمدة على المقياس (MASE) غالبًا ما تكون أفضل بالنسبة للمحافظ والمجموعات [3].

• فترات التنبؤ : لا تكتفِ بذكر نقطة محددة، بل عبّر عن عدم اليقين. نادراً ما يُفضّل المسؤولون التنفيذيون النطاقات، لكنهم يُفضّلون تقليل المفاجآت.

ملاحظة صغيرة: عندما تكون القيم صفرًا، تصبح مقاييس النسبة المئوية غير منطقية. يُفضل استخدام الأخطاء المطلقة أو المُقاسة، أو إضافة إزاحة صغيرة - المهم هو الاتساق.

الانحراف أمر وارد: رصد التغيير والتكيف معه 🌊

تتغير الأسواق، وتتباين الأذواق، وتتقادم أجهزة الاستشعار. انحراف المفهوم مصطلحًا جامعًا لوصف تطور العلاقة بين المدخلات والهدف. يمكنك رصد هذا الانحراف باستخدام الاختبارات الإحصائية، أو أخطاء النافذة المنزلقة، أو فحوصات توزيع البيانات. ثم اختر استراتيجية مناسبة: فترات تدريب أقصر، أو إعادة تدريب دورية، أو نماذج تكيفية تُحدَّث تلقائيًا. تُظهر الدراسات الاستقصائية في هذا المجال أنواعًا متعددة من الانحراف وسياسات تكيف متنوعة؛ فلا توجد سياسة واحدة تناسب الجميع [5].

خطة عمل عملية: حدد عتبات تنبيه لخطأ التنبؤ المباشر، وأعد التدريب وفقًا لجدول زمني، واحتفظ بخط أساس احتياطي جاهز. قد لا تبدو جذابة، لكنها فعالة للغاية.

قابلية التفسير: فتح الصندوق الأسود دون كسره 🔦

يتساءل أصحاب المصلحة عن سبب ارتفاع التوقعات. وهذا أمر منطقي. تُنسب أدواتٌ مستقلة عن النموذج، مثل SHAP، التوقعات إلى خصائص معينة بطريقةٍ تستند إلى أسس نظرية، مما يُساعدك على معرفة ما إذا كان الموسمية أو السعر أو حالة العرض الترويجي قد ساهمت في ارتفاع الرقم. لن تُثبت هذه الأدوات السببية، لكنها تُعزز الثقة وتُسهّل عملية تصحيح الأخطاء.

في تجربتي الشخصية، تميل العوامل الموسمية الأسبوعية ومؤشرات العروض الترويجية إلى التأثير بشكل كبير على توقعات مبيعات التجزئة قصيرة الأجل، بينما تميل التوقعات طويلة الأجل إلى الاعتماد على مؤشرات الاقتصاد الكلي. ستختلف النتائج من شخص لآخر، وهذا أمر جيد.

الحوسبة السحابية وعمليات التعلم الآلي: توقعات الشحن بدون حلول مؤقتة 🚚

إذا كنت تفضل المنصات المُدارة:

• Google Vertex AI Forecast سير عمل مُوجّهًا لاستيعاب السلاسل الزمنية، وتشغيل التنبؤات باستخدام التعلم الآلي التلقائي، وإجراء الاختبارات السابقة، ونشر نقاط النهاية. كما أنها تتكامل بسلاسة مع بنية البيانات الحديثة.

• Amazon Forecast على النشر على نطاق واسع، مع اختبارات خلفية موحدة ومقاييس دقة يمكنك سحبها عبر واجهة برمجة التطبيقات، مما يساعد في الحوكمة ولوحات المعلومات [3].

كلا الخيارين يقلل من التعقيدات. فقط راقب التكاليف وتتبع البيانات. مراقبة البيانات من جانب إلى آخر أمر صعب للغاية ولكنه ممكن.

شرح مبسط لحالة تطبيقية: من النقرات الخام إلى إشارة الاتجاه 🧭✨

لنفترض أنك تتوقع عدد المشتركين اليومي في تطبيق مجاني مع خيارات مدفوعة:

1. البيانات : استخراج عمليات التسجيل اليومية، والإنفاق الإعلاني حسب القناة، وانقطاعات الموقع، وجدول زمني بسيط للعروض الترويجية.

2. الميزات : فترات تأخير 1، 7، 14؛ متوسط ​​متحرك لمدة 7 أيام؛ مؤشرات أيام الأسبوع؛ مؤشر ترويجي ثنائي؛ حد موسمي فورييه؛ وباقي موسمي مُفكك بحيث يركز النموذج على الجزء غير المتكرر. يُعد التفكيك الموسمي أسلوبًا كلاسيكيًا في الإحصاءات الرسمية - اسم ممل، عائد كبير [1].

3. النموذج : ابدأ باستخدام نموذج الانحدار المعزز بالتدرج كنموذج عالمي عبر جميع المناطق الجغرافية.

4. اختبار رجعي : نقطة بداية متغيرة مع طيات أسبوعية. حسّن WAPE على قطاع عملك الرئيسي. الاختبارات الرجعية التي تحترم الوقت ضرورية للحصول على نتائج موثوقة [2].

5. شرح : فحص إسناد الميزات أسبوعيًا لمعرفة ما إذا كانت علامة الترويج تفعل أي شيء فعليًا بخلاف الظهور بمظهر رائع في الشرائح.

6. مراقبة : إذا تراجع تأثير العرض الترويجي أو تغيرت أنماط أيام الأسبوع بعد تغيير المنتج، فقم بإعادة التدريب. الانحراف ليس خطأً - إنه يوم الأربعاء [5].

النتيجة: توقعات موثوقة مع نطاقات ثقة، بالإضافة إلى لوحة معلومات توضح العوامل المؤثرة. نقاشات أقل، عمل أكثر.

مخاطر وخرافات يجب تجنبها بهدوء 🚧

• خرافة: كثرة الميزات أفضل دائمًا. كلا. كثرة الميزات غير ذات الصلة تؤدي إلى فرط التخصيص. احتفظ بما يُفيد في اختبار الأداء السابق ويتوافق مع فهم المجال.

• خرافة: الشبكات العميقة تتفوق على كل شيء. أحيانًا نعم، وغالبًا لا. إذا كانت البيانات قصيرة أو مشوشة، فإن الطرق التقليدية تتفوق من حيث الاستقرار والشفافية.

• المأزق: التسريب. إن السماح عن طريق الخطأ بتسريب معلومات الغد إلى تدريب اليوم سيؤدي إلى تحسين مقاييسك وإعاقة إنتاجك [2].

• المأزق: التركيز على آخر رقم عشري. إذا كانت سلسلة التوريد لديك غير منتظمة، فإن الجدال حول نسبة خطأ تتراوح بين 7.3 و 7.4 بالمئة مجرد استعراض. ​​ركّز على عتبات اتخاذ القرار.

• الخرافة: السببية من الارتباط. اختبارات غرانجر تتحقق من الفائدة التنبؤية، وليس الحقيقة الفلسفية - استخدمها كضوابط، وليس كحقيقة مطلقة [4].

قائمة التحقق من التنفيذ التي يمكنك نسخها ولصقها 📋

• حدد الآفاق ومستويات التجميع والقرار الذي ستتخذه.

• قم بإنشاء فهرس زمني نظيف، وقم بملء الفجوات أو الإشارة إليها، وقم بمحاذاة البيانات الخارجية.

• تأخيرات الصياغة، والإحصائيات المتغيرة، والأعلام الموسمية، وبعض ميزات المجال التي تثق بها.

• ابدأ بخط أساس قوي، ثم انتقل إلى نموذج أكثر تعقيدًا إذا لزم الأمر.

• استخدم اختبارات الخلفية ذات الأصل المتغير مع المقياس الذي يتناسب مع عملك [2][3].

• أضف فترات التنبؤ - ليس اختيارياً.

• قم بتشغيل السفينة، ومراقبة الانحراف، وإعادة التدريب وفقًا لجدول زمني بالإضافة إلى التنبيهات [5].

طويل جدًا، لم أقرأه - ملاحظات ختامية 💬

الحقيقة البسيطة حول كيفية تنبؤ الذكاء الاصطناعي بالاتجاهات: الأمر لا يتعلق كثيرًا بالخوارزميات السحرية، بل بالتصميم المنضبط والمراعي للوقت. يجب الحصول على البيانات والميزات الصحيحة، والتقييم بموضوعية، والشرح ببساطة، والتكيف مع تغيرات الواقع. يشبه الأمر ضبط راديو بمقابض متسخة قليلاً - قد يكون الأمر صعبًا بعض الشيء، وقد تسمع تشويشًا أحيانًا، ولكن عندما تلتقط المحطة، يكون الصوت واضحًا بشكل مدهش.

إذا كان هناك شيء واحد يجب استخلاصه: احترم الوقت، وتحقق من صحة المعلومات بعقلية متشككة، واستمر في المتابعة. أما الباقي فهو مجرد أدوات وذوق.

مراجع

1. مكتب الإحصاء الأمريكي - برنامج التعديل الموسمي X-13ARIMA-SEATS . رابط

2. هايندمان وأثاناسوبولوس - التنبؤ: المبادئ والتطبيق (FPP3)، §5.10 التحقق المتبادل للسلاسل الزمنية . رابط

3. خدمات أمازون السحابية - تقييم دقة التنبؤ (توقعات أمازون) . رابط

4. جامعة هيوستن - السببية لغرانجر (ملاحظات المحاضرة) . رابط

5. غاما وآخرون - دراسة استقصائية حول التكيف مع تغير المفاهيم (نسخة مفتوحة). رابط

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا