Wykorzystanie Sztucznej Inteligencji w modelach predykcyjnych

Trudno dzisiaj otworzyć lodówkę, żeby nie natknąć się na informacje dotyczące Sztucznej Inteligencji. GTP4, BING, BARD i dziesiątki inni rozwiązań zawładnęły naszą wyobraźnią. Warto zatem postawić sobie pytanie: co AI ma wspólnego z rozwiązaniami wykorzystującymi Deep Learning i służącymi do analizy danych, czyli także z Qlik Sense? I oczywiście czy AI stanowi dla nich zagrożenie?

Chat GTP a sztuczna inteligencja

Szersza publiczność coraz lepiej rozumie, czym jest i czym nie jest Chat GTP i jakie może mieć zastosowania. Na ile jest „inteligentny” i dla kogo może być zagrożeniem. Powiem w skrócie, bo jednak nie jest to blog na temat Sztucznej Inteligencji – utożsamianie GTP z AI jest lekkim nadużyciem. Z sześciu głównych obszarów wchodzących w skład AI zdefiniowanych w 1956 roku na konferencji w Dartmouth, czyli komputerów, przetwarzania języka naturalnego (NLP), sieci neuronowych, teorii obliczeń, myślenia abstrakcyjnego i kreatywności jest on przełomowy w trzech: NLP, sieciach neuronowych i teorii obliczeń.

Chat GTP to jednak przełom na miarę rewolucji przemysłowej – co takiego potrafi?

Przełom, którego jesteśmy świadkami jednak na pewno przełoży się na gospodarkę i życie społeczne, podobnie jak miało to miejsce w konsekwencji rewolucji przemysłowych. Upraszczając, trzy rewolucje przemysłowe zminimalizowały popyt na proste prace wykonywane siłą mięśni jak np. takie jak praca tragarza, choć nie wyeliminowały ich całkowicie, o czym można się przekonać wybierając sią na trekking do Tybetu lub na wycieczkę do Wenecji.

Narzędzia wykorzystujące Generatywną AI, takie jak GTP, znacząco zmniejszają popyt na proste prace wykonywane siłą rozumu. Dzieje się tak dlatego, że dostępne obecnie rozwiązania, oparte o duże modele językowe (LLM), Deep Learning i sieci neuronowe są bardzo sprawne w komunikacji w języku naturalnym. W efekcie GTP zarówno przyjmuje złożone polecenia w języku naturalnym, jak i udziela rozbudowanych odpowiedzi. Wprawdzie każdy, kto choć raz użył Chata GTP wie, że ‘mądrzejszy’ od niej człowiek jest cały czas potrzebny (GTP potrafi np. napisać „Drogi Mamo!” w życzeniach z okazji Dnia Matki do zamieszczenia na komercyjnym profilu na Instagramie). Jednak generowanie tekstów, obrazów, kodu, video czy modeli 3D jest dzisiaj dużo prostsze i szybsze, a zatem tańsze. De facto, mówimy o nowej generacji rozwiązań Low Code / No Dode, o których pisałem poprzednio. [https://businessintelligence.pl/co-ma-wspolnego-no-code-z-data-science/]

Predykcje z pomocą AI – nie zawsze można na nich w pełni polegać

Generatywna AI nie wymaga udziału człowieka w znajdowaniu prawidłowości w masowych zbiorach danych. Jednak ten brak udziału człowieka jest dość iluzoryczny. Nie rekomendowałbym wykorzystywania aplikacji opartych na AI w obecnym kształcie do analityki predykcyjnej w biznesie. Ryzyko błędnego zrozumienia zadania i niepoprawnej odpowiedzi jest dzisiaj zbyt duże. I jeżeli, pisząc post reklamowy, możemy sobie na to pozwolić, to w przypadku predykcji biznesowej – niespecjalnie.

Modele predykcyjne w Qlik Sense AutoML

A co to wszystko ma wspólnego z Qlik Sense? Po pierwsze, Chat GTP jest  już z Qlik Cloud zintegrowany, zatem możliwe jest wydawanie mu poleceń w języku naturalnym. Zainteresowanych odsyłam tutaj:

Predykcja i preskrypcja – tego właśnie potrzebujemy, aby wyciągać prawidłowe biznesowe wnioski

Jednak dużo ważniejsze w tym obszarze jest rozwiązanie, nad którym Qlik Sense pracował od kilku lat, czyli AutoML. Jak wskazuje nazwa jest to automatyzacja tworzenia i stosowania modeli prognostycznych oraz predykcyjnych. Dla biznesu zasadnicza jest wiedza, nie tylko o tym, dlaczego coś w przeszłości poszło nie tak i jakie czynniki wpływają na przyszłe zachowanie klientów (predykcja), ale także, co konkretnie powinniśmy zrobić, aby zwiększyć prawdopodobieństwo korzystnych scenariuszy (preskrypcja).

Ułatwienie tworzenia modeli prognostycznych

Dotychczas preskrypcja była domeną zatrudnionych w firmach naukowców danych. Natomiast AutoML pozwala na opracowanie trafnych predykcji osobom, które naukowcami danych nie są, ale za to dobrze rozumieją biznes, w którym działają.

Jak działa Qlik Sense AutoML?

Auto ML na podstawie przeprowadzonego samodzielnie eksperymentu powie nam, które z algorytmów stosowanych w ML są optymalne dla naszego zbioru danych historycznych. Decyzję o tym, który z nich wykorzystać w predykcji podejmiemy sami. Jednak AutoML powie nam, jakie kryteria brał pod uwagę w swojej rekomendacji (np. w jakim stopniu konkretny model zależy od poszczególnych zmiennych).

Po pierwszym eksperymencie AutoML sam zasugeruje, jak ograniczyć liczbę zmiennych i w kolejnym eksperymencie sprawdzi, czy inne algorytmy nie są bardziej adekwatne. Tak stworzony algorytm zastosujemy do danych aktualnych, a jego wyniki (preskrypcje Auto ML) przedstawi nam za pomocą przejrzyście zrobionych dashboardów.

Żadnego programowania, pogłębionej wiedzy z zakresu nauki o danych i stosowanych w niej algorytmach oraz statystyki. Nie potrzebujemy nawet wkładać wysiłku w projektowanie dashboardów.  Zasadnicze jest to, abyśmy byli w stanie, na podstawie wiedzy o naszym biznesie, skorygować propozycje przedstawiane przez Auto ML, a następnie zastosować preskrypcje w praktyce. Maszyna nie zastąpi nas w zdefiniowaniu problemu, jednak w znalezieniu jego rozwiązania bardzo pomoże.

Co z tego wynika dla predykcji wykorzystujących ML?

AutoML nie jest generatywną Sztuczną Inteligencją, jednak ma z nią sporo wspólnego, jak chociażby Deep Learning wykorzystujący duże zbiory danych. Istotna różnica polega nie tylko na rozmiarach baz danych, na których trenowane są modele. Z punktu widzenia użytkownika biznesowego AutoML jest z rozwiązaniem, które wprawdzie wymaga większego zaangażowania człowieka (nadzoru), ale jego predykcje i preskrypcje są trafniejsze niż te, przygotowane przez nienadzorowaną generatywną AI. Jednak bariera kompetencyjna w korzystaniu z AutoML Qlik Sense jest dużo niższa niż była przed jego wprowadzeniem.

Do bardzo wielu mniej skomplikowanych preskrypcji nie będziemy już potrzebowali naukowców danych, lecz analityków sprawnie posługujących się Qlik Sense. Więcej w tej kwestii można dowiedzieć się w tym miejscu.

Na pewno warto przyjrzeć się AutoML dokładniej, w oparciu o rzeczywiste, a nie tylko treningowe zbiory danych. W nieodległej przyszłości postaram się takie studium przypadku przedstawić.