從頭開始構(gòu)建預(yù)測分析模型 這是為什么呢

關(guān)于AI可以為企業(yè)帶來的潛在價值，現(xiàn)在有很多討論，而物流業(yè)務(wù) -由于其復(fù)雜性和電子商務(wù)對它的依賴程度-也不例外。

想象一下，您的電子商務(wù)業(yè)務(wù)需要從舊金山向西雅圖發(fā)送訂單，并且您已承諾2天交付。下午3：34，USPS，UPS，F(xiàn)edEx和Ontrac的分揀設(shè)施都有不同的截止時間。您的倉庫將需要15至45分鐘的時間來挑選和打包訂單，今晚在舊金山發(fā)生雷暴的可能性高達(dá)62%。您是通過航空(快遞)還是地面運輸?

如果您選擇空運，則會損失所有利潤。如果您選擇地面交易，您的保證金就可以了，但是可能要晚了，您可能會失去客戶。對于不斷增長的業(yè)務(wù)而言，每天實時進(jìn)行數(shù)千次決策的唯一方法是預(yù)測未來。人類要考慮的變量和因素太多了，您需要AI。您需要一個預(yù)測模型。如果您沒有競爭對手，您的競爭對手就會屈服于他們，并失去競爭優(yōu)勢。

這是AI和機(jī)器學(xué)習(xí)(ML)的承諾–收集大量數(shù)據(jù)，將其輸入到預(yù)測模型中并獲利!不幸的是，它并不是那么簡單。即使是最好的神經(jīng)網(wǎng)絡(luò)，也很難提取出非常復(fù)雜的現(xiàn)實問題的準(zhǔn)確預(yù)測。

2016年，DeepMind 使用自學(xué)成才的神經(jīng)網(wǎng)絡(luò)擊敗了18屆世界冠軍Go棋手，這是一款比國際象棋更為復(fù)雜的游戲。訓(xùn)練神經(jīng)網(wǎng)絡(luò)玩游戲(例如國際象棋或圍棋)并不容易，但是它與現(xiàn)實世界的不同之處在于，您始終可以獲取完美，準(zhǔn)確的數(shù)據(jù)。您知道板上每個零件的位置和可能性，并且知道它們何時發(fā)生變化。為了獲得競爭優(yōu)勢或降低成本，您想要回答的難題很難解決。

您的數(shù)據(jù)可能來自質(zhì)量不同的多個來源，不能保證會實時發(fā)送給您，而且數(shù)據(jù)太多了–噪音多于信號。在開始將所有數(shù)據(jù)轉(zhuǎn)儲到Tensorflow或Google Cloud AutoML Table中之前， 您需要深入了解您的域并聘請數(shù)據(jù)科學(xué)家。

統(tǒng)計處理已經(jīng)存在了數(shù)十年，只有受過訓(xùn)練的數(shù)據(jù)科學(xué)家才能處理您收集到的PB級數(shù)據(jù)并進(jìn)行清理，以使您的預(yù)測準(zhǔn)確無誤。關(guān)于AI和ML的許多興奮之處在于，我們將以更少的工作量獲得更好的模型-不再需要繁瑣的特征提取或選擇變量!但是事實并非如此……。幾乎沒有任何原始數(shù)據(jù)將最適合于預(yù)測模型-對于每個特定的應(yīng)用程序，所有原始數(shù)據(jù)都需要整理成多種格式。

對于剛接觸該領(lǐng)域的新手來說，現(xiàn)代的AI和ML工具的易用性很容易使他們興奮，但是細(xì)節(jié)在于魔鬼。即使是最簡單的模型也可以為您提供預(yù)測，但是這些預(yù)測的準(zhǔn)確性非常差，您將無法從中提取業(yè)務(wù)價值。不幸的是，天真模型與數(shù)據(jù)科學(xué)家開發(fā)的復(fù)雜模型之間的差異將在您對模型預(yù)測的準(zhǔn)確性和信心中得到證實。

在EasyPost，我們嘗試預(yù)測貨件何時到達(dá)目的地，但是即使有關(guān)于過去貨件的數(shù)百億個數(shù)據(jù)點，這也極難做到。當(dāng)我們開始嘗試僅憑跟蹤數(shù)據(jù)做出這些預(yù)測時，結(jié)果令人震驚。但是，當(dāng)我們開始將數(shù)據(jù)科學(xué)家與運輸專家配對時，我們就可以在速度和準(zhǔn)確性上取得長足的進(jìn)步。

人工智能可以輔助AI的一個例子是，我們的人類專家了解物流行業(yè)分揀設(shè)施中截止時間的重要性。通過添加來自領(lǐng)域?qū)＜业臄?shù)據(jù)(在這種情況下，即運營商網(wǎng)絡(luò)中每種設(shè)施類型的截止時間)，我們能夠極大地改善我們的結(jié)果。通過將特定領(lǐng)域的相關(guān)數(shù)據(jù)添加到科學(xué)家的工具包中，我們可以創(chuàng)建比僅使用AI更為智能的模型。

根據(jù)我們的經(jīng)驗，一個復(fù)雜的問題(如先前提出的有關(guān)運輸時間的問題)包含了太多變量，以至于當(dāng)今最好的神經(jīng)網(wǎng)絡(luò)無法自行學(xué)習(xí)和解決。幸運的是，他們不必這樣做，但是您需要數(shù)據(jù)科學(xué)家與領(lǐng)域?qū)＜液献鳎哉_權(quán)衡灣區(qū)空氣濕度水平的重要性!

預(yù)測模型的未來是光明的，但是請不要忽略過去!統(tǒng)計處理和數(shù)據(jù)科學(xué)是框架化和簡化復(fù)雜業(yè)務(wù)問題的關(guān)鍵，以便最先進(jìn)的AI和ML可以應(yīng)對它們。