Ձեռնարկությունների աշխատանքային գործընթացներում մեքենայական ուսուցումը (machine learning) ներդնելու շտապողականության մեջ մենք բոլորս ընկել ենք հարմարավետության ծուղակը։ Տարիներ շարունակ ռեգրեսիոն մոդելների համար հիմնական չափանիշը եղել է Միջին քառակուսային շեղումը (MSE)։ Այն էլեգանտ է, մաթեմատիկորեն կառավարելի և հեշտ է ներդրվում ավտոմատացված ուսուցման համակարգերում։ Սակայն այն ղեկավարների համար, ովքեր պատասխանատու են կանխատեսող հետախուզության (predictive intelligence) կիրառման համար բարձր ռիսկայնություն ունեցող ոլորտներում՝ ինչպիսիք են մատակարարման շղթաների լոգիստիկան, էներգետիկ համակարգերի կառավարումը կամ հաճախորդների հոսքի կանխատեսումը, միայն MSE-ի վրա հույս դնելը ռազմավարական տեսանկյունից վտանգավոր է։
Հիմնարար խնդիրն այն է, որ MSE-ն յուրաքանչյուր սխալ դիտարկում է որպես հեռավորության վրա հիմնված տուգանք՝ սովորաբար քառակուսի բարձրացնելով կանխատեսվող և իրական արժեքների տարբերությունը։ Սա որոշումների կայացման մեջ ստեղծում է «կույր կետ». այն ցույց է տալիս, թե որքանով եք միջինում շեղվել, բայց չի հաղորդում իրական աշխարհին բնորոշ հավանականային անորոշության մասին։ Բիզնեսի համատեքստում «միջին» լինելը հազվադեպ է նպատակ հանդիսանում։ Ձեզ անհրաժեշտ է իմանալ ծայրահեղ արժեքների (tails) հետ կապված ռիսկերը։
Միջին ցուցանիշների պատրանքը
Երբ ձեր տվյալագետների թիմը ներկայացնում է «ցածր MSE» ունեցող մոդել, նրանք ըստ էության ձեզ ցույց են տալիս կետային գնահատական։ Նրանք ասում են. «Հիմվելով պատմական տվյալների վրա՝ մենք ակնկալում ենք այս արժեքը»։ Բայց բարդ համակարգերում ամենավտանգավոր արդյունքները միջինները չեն, այլ շեղումները (outliers)։
Եթե դուք լոգիստիկ ծառայություններ մատուցող ընկերություն եք, ապա ձեր Թվային փոխակերպման (Digital Transformation) ջանքերը հավանաբար ներառում են պահանջարկի ավտոմատացված կանխատեսում։ Եթե ձեր մոդելը միջինացնում է սխալը, ապա այն կարող է լավ աշխատել կայունության ժամանակաշրջաններում, բայց ձախողվել մատակարարման շղթայի ցնցումների կամ շուկայի կտրուկ փոփոխությունների ժամանակ։ Քանի որ MSE-ն մեծ սխալները պատժում է՝ դրանք քառակուսի բարձրացնելով, մոդելը դառնում է չափազանց զգուշավոր՝ փորձելով «հետապնդել» միջինը և արդյունավետորեն հարթելով այն անկայունությունը, որն իրականում որոշում է ձեր ներդրումների եկամտաբերությունը (ROI)։
Երբ մենք MSE-ն առաջնահերթ ենք դարձնում որպես վերջնական չափանիշ, մենք խրախուսում ենք «սև արկղի» օպտիմալացման մշակույթը։ Սա բիզնես գործընթացների վրա ունի մի շարք հետևանքներ.
- Ռիսկերի սխալ հաշվարկ. Ռազմավարական որոշումները կայացվում են այն ենթադրությամբ, որ մոդելի կետային կանխատեսումը բացարձակ ճշմարտություն է՝ անտեսելով անկայունությունը, որը կարող է հանգեցնել ապրանքների պակասուրդի կամ ռեսուրսների դեֆիցիտի։
- Ավտոմատացման հանդեպ կեղծ վստահություն. AI գործակալները (AI Agents) և ավտոմատացված համակարգերը հիմնվում են այս կանխատեսումների վրա՝ հետագա գործընթացները գործարկելու համար, ինչպիսիք են ապրանքների պատվիրումը կամ գնագոյացման ճշգրտումը։ Եթե վստահության միջակայքն անտեսվում է, ավտոմատացումը գործում է անտեղի վստահությամբ։
- Չափանիշների տեղաշարժ. Ինժեներական թիմերը օպտիմալացնում են ցուցանիշները առաջատարների աղյուսակի համար (որքան ցածր է MSE-ն, այնքան լավ), ակամայից անտեսելով բիզնեսի իրողությունը, որ մի ուղղությամբ փոքր սխալը կարող է կառավարելի լինել, իսկ մյուս ուղղությամբ փոքր սխալը կարող է միլիոններ արժենալ ընկերության համար։
Անցում դեպի հավանականային հետախուզություն
MSE-ի սահմանափակումները հաղթահարելու համար բիզնեսները պետք է անցում կատարեն Հավանականային կանխատեսման (Probabilistic Forecasting)։ Այս մոտեցումը ոչ միայն հարցնում է. «Ո՞րն է ամենահավանական թիվը», այլև՝ «Ո՞րն է հնարավոր բոլոր արդյունքների բաշխումը»։ Կետային գնահատականներից դեպի վստահության միջակայքեր և հավանականության խտություն տեղափոխվելով՝ դուք ձեր ղեկավար թիմին զինում եք սցենարների շարքով՝ մեկ, հնարավոր է՝ մոլորեցնող թվի փոխարեն։
Սա հատկապես կարևոր է CRM-ի և հաճախորդների հետ աշխատանքի կառավարման համար։ Հաճախորդի հեռանալու (churn) կանխատեսումը չպետք է հանգեցնի երկուական «այո/ոչ» պատասխանի։ Փոխարենը՝ հավանականային մոդելը տրամադրում է հեռանալու ռիսկի գնահատական՝ օրինակ, առաջիկա 30 օրվա ընթացքում հեռանալու 70% հավանականություն։ Սա թույլ է տալիս վաճառքի և աջակցության թիմերին դասակարգել իրենց ջանքերը՝ կենտրոնանալով բարձր ռիսկային և բարձր արժեք ունեցող հաճախորդների վրա, որտեղ անորոշությունը հուշում է, որ միջամտություն է պահանջվում։
Քանի որ արհեստական բանականությունը փորձարարական փուլից անցնում է գործառնական հիմնական հենասյան դերին, ավելի նուրբ չափանիշների ընդունումը դառնում է անհրաժեշտություն։ Մենք թևակոխում ենք մի դարաշրջան, որտեղ Պատվերով ծրագրային ապահովման (Custom Software) ճարտարապետությունները պետք է նախագծվեն այն իրողությամբ, որ ապագան ըստ էության հավանականային է։ Երբ ձեր ներքին համակարգերը կարողանում են հաղորդել ոչ միայն «ինչն է», այլև «որքանով ենք մենք վստահ», ձեր բիզնեսը դառնում է էապես ավելի կայուն։
Մտածեք այս փոփոխության ROI-ի մասին։ Թեև հավանականային մոդելների կառուցումը պահանջում է ավելի շատ նախնական ճարտարապետական ջանքեր, քան պարզապես MSE-ի նվազեցումը, բացասական ռիսկերի կրճատումը զգալի է։ Մոդելը, որը հասկանում է իր սեփական անորոշությունը, այն մոդելն է, որը կարելի է «անջատել» կամ նշել մարդկային միջամտության համար՝ նախքան այն թանկարժեք սխալ թույլ
