شارك في كتابة هذا المنشور جوكتوج سينار ومايكل بيندر وأدريان هورفاث من مركز بوش للذكاء الاصطناعي (BCAI).
يعد التنبؤ بالإيرادات مهمة صعبة ولكنها حاسمة لقرارات الأعمال الاستراتيجية والتخطيط المالي في معظم المؤسسات. في كثير من الأحيان ، يتم تنفيذ التنبؤ بالإيرادات يدويًا من قبل المحللين الماليين ويستغرق وقتًا طويلاً وغير موضوعي. تمثل هذه الجهود اليدوية تحديًا بشكل خاص لمؤسسات الأعمال التجارية الكبيرة ومتعددة الجنسيات التي تتطلب توقعات الإيرادات عبر مجموعة واسعة من مجموعات المنتجات والمناطق الجغرافية بمستويات متعددة من التفصيل. وهذا لا يتطلب الدقة فحسب ، بل يتطلب أيضًا تماسكًا هرميًا للتنبؤات.
بوش هي شركة متعددة الجنسيات مع كيانات تعمل في قطاعات متعددة ، بما في ذلك السيارات والحلول الصناعية والسلع الاستهلاكية. نظرًا لتأثير التنبؤ الدقيق والمتسق بالإيرادات على العمليات التجارية السليمة ، فإن مركز بوش للذكاء الاصطناعي (BCAI) تستثمر بشكل كبير في استخدام التعلم الآلي (ML) لتحسين كفاءة ودقة عمليات التخطيط المالي. الهدف هو التخفيف من العمليات اليدوية من خلال توفير توقعات الإيرادات الأساسية المعقولة عبر ML ، مع التعديلات العرضية فقط التي يحتاجها المحللون الماليون باستخدام معرفتهم بالصناعة والمجال.
لتحقيق هذا الهدف ، طورت BCAI إطار عمل تنبؤ داخلي قادر على توفير تنبؤات هرمية واسعة النطاق عبر مجموعات مخصصة لمجموعة واسعة من النماذج الأساسية. يختار المتعلم الفوق النماذج الأفضل أداءً بناءً على الميزات المستخرجة من كل سلسلة زمنية. ثم يتم حساب متوسط التوقعات من النماذج المختارة للحصول على التوقعات المجمعة. التصميم المعماري معياري وقابل للتوسيع من خلال تنفيذ واجهة على غرار REST ، مما يسمح بتحسين مستمر للأداء من خلال تضمين نماذج إضافية.
دخلت BCAI في شراكة مع مختبر أمازون ML Solutions (MLSL) لدمج أحدث التطورات في النماذج المستندة إلى الشبكة العصبية العميقة (DNN) للتنبؤ بالإيرادات. أظهرت التطورات الحديثة في المتنبئين العصبيين أداءً متطورًا للعديد من مشاكل التنبؤ العملية. مقارنة بنماذج التنبؤ التقليدية ، يمكن للعديد من المتنبئين العصبيين دمج متغيرات مشتركة إضافية أو بيانات وصفية للسلسلة الزمنية. نقوم بتضمين CNN-QR و DeepAR + ، وهما نموذجان جاهزان في توقعات الأمازون، بالإضافة إلى نموذج محول مخصص تم تدريبه باستخدام الأمازون SageMaker. تغطي النماذج الثلاثة مجموعة تمثيلية من العمود الفقري للتشفير غالبًا ما تستخدم في المتنبئين العصبيين: الشبكة العصبية التلافيفية (CNN) ، والشبكة العصبية المتكررة المتسلسلة (RNN) ، والمشفرات القائمة على المحولات.
كان أحد التحديات الرئيسية التي واجهتها شراكة BCAI-MLSL هو توفير توقعات قوية ومعقولة في ظل تأثير COVID-19 ، وهو حدث عالمي غير مسبوق يتسبب في تقلبات كبيرة في النتائج المالية العالمية للشركات. نظرًا لأن المتنبئين العصبيين مدربون على البيانات التاريخية ، فإن التنبؤات التي تم إنشاؤها بناءً على بيانات خارج التوزيع من الفترات الأكثر تقلبًا قد تكون غير دقيقة وغير موثوقة. لذلك ، اقترحنا إضافة آلية انتباه مقنعة في بنية المحولات لمعالجة هذه المشكلة.
يمكن تجميع المتنبئين العصبيين كنموذج مجموعة واحدة ، أو دمجهم بشكل فردي في نموذج كون بوش ، ويمكن الوصول إليهم بسهولة عبر نقاط نهاية REST API. نقترح نهجًا لتجميع المتنبئين العصبيين من خلال نتائج الاختبار الخلفي ، والذي يوفر أداءً تنافسيًا وقويًا بمرور الوقت. بالإضافة إلى ذلك ، قمنا بالتحقيق في عدد من تقنيات التسوية الهرمية الكلاسيكية وتقييمها للتأكد من أن التوقعات تتجمع بشكل متماسك عبر مجموعات المنتجات والمناطق الجغرافية ومؤسسات الأعمال.
في هذا المنشور ، نوضح ما يلي:
- كيفية تطبيق تدريب على نموذج مخصص من Forecast و SageMaker لمشكلات التنبؤ بالسلاسل الزمنية الهرمية واسعة النطاق
- كيفية تجميع النماذج المخصصة مع النماذج الجاهزة من التوقعات
- كيفية تقليل تأثير الأحداث التخريبية مثل COVID-19 على التنبؤ بالمشاكل
- كيفية بناء سير عمل التنبؤ الشامل على AWS
التحديات
لقد تناولنا تحديين: إنشاء توقعات هرمية واسعة النطاق للإيرادات ، وتأثير جائحة COVID-19 على التنبؤ طويل الأجل.
الهرمية ، والتنبؤ بالعائدات على نطاق واسع
يتم تكليف المحللين الماليين بالتنبؤ بالأرقام المالية الرئيسية ، بما في ذلك الإيرادات والتكاليف التشغيلية ونفقات البحث والتطوير. توفر هذه المقاييس رؤى حول تخطيط الأعمال على مستويات مختلفة من التجميع وتمكين اتخاذ القرار المستند إلى البيانات. يحتاج أي حل تنبؤ آلي إلى تقديم تنبؤات على أي مستوى تعسفي لتجميع خط الأعمال. في Bosch ، يمكن تخيل المجموعات على أنها سلاسل زمنية مجمعة كشكل أكثر عمومية من الهيكل الهرمي. يوضح الشكل التالي مثالًا مبسطًا بهيكل من مستويين ، والذي يحاكي هيكل توقع الإيرادات الهرمي في Bosch. يتم تقسيم إجمالي الإيرادات إلى مستويات متعددة من التجميعات بناءً على المنتج والمنطقة.
إجمالي عدد السلاسل الزمنية التي يجب توقعها في Bosch هو في نطاق الملايين. لاحظ أنه يمكن تقسيم السلاسل الزمنية ذات المستوى الأعلى حسب المنتجات أو المناطق ، مما يؤدي إلى إنشاء مسارات متعددة لتوقعات المستوى الأدنى. يجب توقع الإيرادات في كل عقدة في التسلسل الهرمي مع أفق تنبؤ مدته 12 شهرًا في المستقبل. البيانات التاريخية الشهرية متاحة.
يمكن تمثيل الهيكل الهرمي باستخدام النموذج التالي مع تدوين مصفوفة التلخيص S (هيندمان وأثاناسوبولوس):
في هذه المعادلة ، Y يساوي ما يلي:
هنا، b يمثل المستوى السفلي من السلسلة الزمنية في الوقت المناسب t.
آثار جائحة COVID-19
جلب جائحة COVID-19 تحديات كبيرة للتنبؤ بسبب آثاره المدمرة وغير المسبوقة على جميع جوانب العمل والحياة الاجتماعية تقريبًا. بالنسبة للتنبؤ بالإيرادات على المدى الطويل ، تسبب الاضطراب أيضًا في آثار غير متوقعة في المصب. لتوضيح هذه المشكلة ، يوضح الشكل التالي عينة من السلاسل الزمنية حيث شهدت إيرادات المنتج انخفاضًا كبيرًا في بداية الوباء وتعافى تدريجياً بعد ذلك. سيأخذ نموذج التنبؤ العصبي النموذجي بيانات الإيرادات بما في ذلك فترة COVID خارج التوزيع (OOD) كمدخلات تاريخية للسياق ، بالإضافة إلى الحقيقة الأساسية لتدريب النموذج. نتيجة لذلك ، لم تعد التوقعات الناتجة موثوقة.
نهج النمذجة
في هذا القسم ، نناقش مناهج النمذجة المختلفة لدينا.
توقعات الأمازون
التنبؤ عبارة عن خدمة AI / ML مُدارة بالكامل من AWS توفر نماذج التنبؤ بالسلاسل الزمنية المُكونة مسبقًا والحديثة. وهي تجمع بين هذه العروض وإمكانياتها الداخلية لتحسين آلي للمعلمات الفائقة ، ونمذجة المجموعات (للنماذج التي توفرها التنبؤات) ، وتوليد التوقعات الاحتمالية. يتيح لك ذلك استيعاب مجموعات البيانات المخصصة وبيانات المعالجة المسبقة وتدريب نماذج التنبؤ وإنشاء تنبؤات قوية بسهولة. يمكّننا التصميم المعياري للخدمة أيضًا من الاستعلام عن التنبؤات والجمع بينها بسهولة من نماذج مخصصة إضافية تم تطويرها بالتوازي.
قمنا بدمج اثنين من المتنبئين العصبيين من التوقعات: CNN-QR و DeepAR +. كلاهما يخضع للإشراف أساليب التعلم العميق التي تدرب نموذجًا عالميًا لمجموعة بيانات السلاسل الزمنية بأكملها. يمكن لكل من طرازي CNNQR و DeepAR + الحصول على معلومات بيانات وصفية ثابتة حول كل سلسلة زمنية ، والتي تمثل المنتج والمنطقة وتنظيم الأعمال المقابل في حالتنا. كما يقومون أيضًا بإضافة ميزات زمنية تلقائيًا مثل شهر السنة كجزء من الإدخال إلى النموذج.
محول مع أقنعة الانتباه لـ COVID
هندسة المحولات (فاسواني وآخرون) ، المصمم في الأصل لمعالجة اللغة الطبيعية (NLP) ، ظهر مؤخرًا كخيار معماري شائع للتنبؤ بالسلاسل الزمنية. هنا ، استخدمنا بنية المحولات الموضحة في تشو وآخرون. بدون سجل احتمالي اهتمام ضئيل. يستخدم النموذج تصميمًا معماريًا نموذجيًا من خلال الجمع بين المشفر ووحدة فك التشفير. للتنبؤ بالإيرادات ، نقوم بتكوين وحدة فك التشفير لإخراج توقعات أفق 12 شهرًا مباشرةً بدلاً من إنشاء التنبؤ شهرًا بشهر بطريقة الانحدار التلقائي. استنادًا إلى تكرار السلسلة الزمنية ، تتم إضافة ميزات إضافية مرتبطة بالوقت مثل شهر من السنة كمتغير إدخال. يتم تغذية المتغيرات الفئوية الإضافية التي تصف المعلومات الوصفية (المنتج ، المنطقة ، مؤسسة الأعمال) في الشبكة عبر طبقة تضمين قابلة للتدريب.
يوضح الرسم البياني التالي بنية المحولات وآلية إخفاء الانتباه. يتم تطبيق إخفاء الانتباه في جميع طبقات التشفير وفك التشفير ، كما هو موضح باللون البرتقالي ، لمنع بيانات OOD من التأثير على التنبؤات.
نخفف من تأثير نوافذ سياق OOD عن طريق إضافة أقنعة الانتباه. تم تدريب النموذج على إيلاء القليل من الاهتمام لفترة COVID التي تحتوي على قيم متطرفة عن طريق الإخفاء ، ويقوم بالتنبؤ بمعلومات مقنعة. يتم تطبيق قناع الانتباه في كل طبقة من بنية وحدة فك التشفير والتشفير. يمكن تحديد النافذة المقنعة إما يدويًا أو من خلال خوارزمية الكشف عن الحالات الخارجية. بالإضافة إلى ذلك ، عند استخدام نافذة زمنية تحتوي على قيم متطرفة مثل تسميات التدريب ، لا يتم نشر الخسائر بشكل عكسي. يمكن تطبيق هذه الطريقة القائمة على إخفاء الانتباه للتعامل مع الاضطرابات وحالات OOD التي تسببها أحداث نادرة أخرى وتحسين متانة التنبؤات.
الفرقة النموذجية
غالبًا ما تتفوق مجموعة النماذج في الأداء على النماذج الفردية للتنبؤ - فهي تحسن قابلية تعميم النموذج وتكون أفضل في التعامل مع بيانات السلاسل الزمنية ذات الخصائص المتغيرة في الدورية والتقطع. نقوم بدمج سلسلة من استراتيجيات مجموعات النماذج لتحسين أداء النموذج وقوة التنبؤات. أحد الأشكال الشائعة لمجموعات نماذج التعلم العميق هو تجميع النتائج من تشغيل النموذج باستخدام تهيئات مختلفة للوزن العشوائي ، أو من فترات تدريب مختلفة. نحن نستخدم هذه الإستراتيجية للحصول على تنبؤات لنموذج المحولات.
لمزيد من بناء مجموعة فوق البنى النموذجية المختلفة ، مثل Transformer و CNNQR و DeepAR + ، نستخدم إستراتيجية مجموعة نموذج شامل تختار أفضل النماذج أداءً لكل سلسلة زمنية بناءً على نتائج الاختبار الخلفي والحصول عليها المتوسطات. نظرًا لأنه يمكن تصدير نتائج الاختبار الخلفي مباشرةً من نماذج التنبؤ المدربة ، فإن هذه الإستراتيجية تمكننا من الاستفادة من خدمات تسليم المفتاح مثل التنبؤ مع التحسينات المكتسبة من النماذج المخصصة مثل Transformer. لا يتطلب نهج مجموعة النموذج الشامل هذا تدريب المتعلم الفوقي أو حساب ميزات السلاسل الزمنية لاختيار النموذج.
المصالحة الهرمية
يتكيف إطار العمل لدمج مجموعة واسعة من التقنيات كخطوات معالجة لاحقة لتسوية التوقعات الهرمية ، بما في ذلك التسوية من أسفل إلى أعلى (BU) ، والتسوية من أعلى إلى أسفل مع نسب التنبؤ (TDFP) ، والمربع العادي الأصغر (OLS) ، والمربع الأقل المرجح ( WLS). تم الإبلاغ عن جميع النتائج التجريبية في هذا المنشور باستخدام التسوية التنازلية مع نسب التنبؤ.
نظرة عامة على العمارة
لقد قمنا بتطوير سير عمل آلي شامل على AWS لتوليد توقعات الإيرادات باستخدام الخدمات بما في ذلك التنبؤ ، SageMaker ، خدمة تخزين أمازون البسيطة (Amazon S3) ، AWS لامدا, وظائف خطوة AWSو مجموعة تطوير سحابة AWS (AWS CDK). يوفر الحل المنشور تنبؤات متسلسلة زمنية فردية من خلال استخدام واجهة برمجة تطبيقات REST بوابة أمازون API، من خلال إرجاع النتائج بتنسيق JSON المحدد مسبقًا.
يوضح الرسم البياني التالي سير عمل التنبؤ الشامل.
اعتبارات التصميم الرئيسية للهندسة المعمارية هي التنوع والأداء وسهولة الاستخدام. يجب أن يكون النظام متعدد الاستخدامات بما يكفي لدمج مجموعة متنوعة من الخوارزميات أثناء التطوير والنشر ، مع الحد الأدنى من التغييرات المطلوبة ، ويمكن توسيعه بسهولة عند إضافة خوارزميات جديدة في المستقبل. يجب أن يضيف النظام أيضًا الحد الأدنى من النفقات العامة ويدعم التدريب المتوازي لكل من التنبؤ و SageMaker لتقليل وقت التدريب والحصول على أحدث التوقعات بشكل أسرع. أخيرًا ، يجب أن يكون النظام سهل الاستخدام لأغراض التجريب.
يعمل سير العمل من طرف إلى طرف بشكل تسلسلي من خلال الوحدات النمطية التالية:
- وحدة معالجة مسبقة لإعادة تنسيق البيانات وتحويلها
- وحدة تدريب نموذجية تتضمن كلاً من نموذج التنبؤ والنموذج المخصص على SageMaker (كلاهما يعمل بالتوازي)
- وحدة معالجة ما بعد المعالجة تدعم مجموعة النموذج ، والتسوية الهرمية ، والمقاييس ، وإنشاء التقارير
تعمل وظيفة Step Functions على تنظيم وتنظيم سير العمل من طرف إلى آخر كآلة حالة. يتم تكوين تشغيل جهاز الحالة بملف JSON يحتوي على جميع المعلومات الضرورية ، بما في ذلك موقع ملفات CSV السابقة للإيرادات في Amazon S3 ، ووقت بدء التنبؤ ، وإعدادات النموذج التشعبي لتشغيل سير العمل الشامل. يتم إنشاء استدعاءات غير متزامنة لموازنة تدريب النموذج في آلة الحالة باستخدام وظائف Lambda. يتم تخزين جميع البيانات التاريخية وملفات التكوين ونتائج التنبؤ بالإضافة إلى النتائج الوسيطة مثل نتائج الاختبار الخلفي في Amazon S3. تم إنشاء واجهة برمجة تطبيقات REST أعلى Amazon S3 لتوفير واجهة قابلة للاستعلام للاستعلام عن نتائج التنبؤ. يمكن توسيع النظام لدمج نماذج التنبؤ الجديدة والوظائف الداعمة مثل إنشاء تقارير تصور التنبؤ.
التقييم
في هذا القسم ، نفصل إعداد التجربة. تشمل المكونات الرئيسية مجموعة البيانات ، ومقاييس التقييم ، ونوافذ الاختبار الخلفي ، وإعداد النموذج والتدريب.
بيانات
لحماية الخصوصية المالية لشركة Bosch أثناء استخدام مجموعة بيانات ذات مغزى ، استخدمنا مجموعة بيانات تركيبية لها خصائص إحصائية مماثلة لمجموعة بيانات الإيرادات في العالم الحقيقي من وحدة أعمال واحدة في Bosch. تحتوي مجموعة البيانات على 1,216 سلسلة زمنية إجمالاً مع الإيرادات المسجلة بتواتر شهري ، تغطي الفترة من يناير 2016 إلى أبريل 2022. يتم تسليم مجموعة البيانات مع 877 سلسلة زمنية على المستوى الأكثر دقة (السلاسل الزمنية السفلية) ، مع تمثيل بنية متسلسلة زمنية مجمعة مقابلة. كمصفوفة تلخيص S. ترتبط كل سلسلة زمنية بثلاث سمات فئوية ثابتة ، والتي تتوافق مع فئة المنتج والمنطقة والوحدة التنظيمية في مجموعة البيانات الحقيقية (مجهولة المصدر في البيانات التركيبية).
مقاييس التقييم
نحن نستخدم متوسط نسبة الخطأ المطلق في Arctangent (median-MAAPE) والمرجح MAAPE لتقييم أداء النموذج وإجراء تحليل مقارن ، وهي المقاييس القياسية المستخدمة في Bosch. يعالج MAAPE أوجه القصور في مقياس متوسط نسبة الخطأ المطلق (MAPE) الذي يشيع استخدامه في سياق الأعمال. يقدم Median-MAAPE نظرة عامة على أداء النموذج عن طريق حساب متوسط MAAPEs المحسوبة بشكل فردي في كل سلسلة زمنية. يُبلغ مرجح MAAPE عن تركيبة مرجحة من MAAPEs الفردية. الأوزان هي نسبة الإيرادات لكل سلسلة زمنية مقارنة بالإيرادات الإجمالية لمجموعة البيانات بأكملها. يعكس Weighted-MAAPE بشكل أفضل تأثيرات الأعمال النهائية لدقة التنبؤ. يتم الإبلاغ عن كلا المقياسين في مجموعة البيانات الكاملة المكونة من 1,216 سلسلة زمنية.
نوافذ Backtest
نستخدم نوافذ اختبار خلفي متدرجة لمدة 12 شهرًا لمقارنة أداء النموذج. يوضح الشكل التالي نوافذ الاختبار الخلفي المستخدمة في التجارب ويسلط الضوء على البيانات المقابلة المستخدمة للتدريب وتحسين المعلمات الفائقة (HPO). بالنسبة إلى نوافذ الاختبار الخلفي بعد بدء COVID-19 ، تتأثر النتيجة بمدخلات OOD من أبريل إلى مايو 2020 ، بناءً على ما لاحظناه من السلسلة الزمنية للإيرادات.
إعداد النموذج والتدريب
بالنسبة لتدريب المحولات ، استخدمنا الخسارة الكمية وقمنا بقياس كل سلسلة زمنية باستخدام متوسط قيمتها التاريخية قبل إدخالها في المحولات وحساب خسارة التدريب. يتم إعادة قياس التوقعات النهائية لحساب مقاييس الدقة ، باستخدام MeanScaler المطبق في جلونتس. نستخدم نافذة سياق تحتوي على بيانات الإيرادات الشهرية من الأشهر الثمانية عشر الماضية ، والتي يتم اختيارها عبر HPO في نافذة الاختبار الخلفي من يوليو 18 إلى يونيو 2018. ويتم إدخال البيانات الوصفية الإضافية حول كل سلسلة زمنية في شكل متغيرات فئوية ثابتة في النموذج عبر التضمين طبقة قبل إطعامها إلى طبقات المحولات. نقوم بتدريب Transformer بخمس عمليات تهيئة عشوائية مختلفة للوزن ومتوسط نتائج التوقعات من آخر ثلاث فترات لكل شوط ، بإجمالي 2019 نموذجًا في المتوسط. يمكن موازاة دورات التدريب الخمسة النموذجية لتقليل وقت التدريب. بالنسبة للمحول المقنع ، نشير إلى الأشهر من أبريل إلى مايو 15 على أنها قيم متطرفة.
بالنسبة لجميع تدريبات نموذج التنبؤ ، قمنا بتمكين HPO التلقائي ، والذي يمكنه تحديد النموذج ومعلمات التدريب بناءً على فترة الاختبار الخلفي المحددة من قبل المستخدم ، والتي تم تعيينها على آخر 12 شهرًا في نافذة البيانات المستخدمة للتدريب و HPO.
نتائج التجربة
نقوم بتدريب المحولات المقنعة وغير المقنعة باستخدام نفس مجموعة المعلمات الفائقة ، وقارننا أدائها مع نوافذ الاختبار الخلفي مباشرة بعد صدمة COVID-19. في Transformer المقنع ، الشهران المقنعان هما أبريل ومايو 2020. يوضح الجدول التالي النتائج من سلسلة من فترات الاختبار الخلفي مع نوافذ توقع لمدة 12 شهرًا بدءًا من يونيو 2020. يمكننا ملاحظة أن المحول المقنع يتفوق باستمرار على الإصدار غير المقنع .
أجرينا كذلك تقييمًا لاستراتيجية المجموعة النموذجية بناءً على نتائج الاختبار الخلفي. على وجه الخصوص ، نقارن الحالتين عندما يتم تحديد النموذج الأفضل أداءً فقط مقابل عندما يتم اختيار أفضل نموذجين أداءً ، ويتم تنفيذ متوسط النموذج عن طريق حساب القيمة المتوسطة للتنبؤات. قارنا أداء النماذج الأساسية ونماذج المجموعة في الأشكال التالية. لاحظ أن أيا من المتنبئين العصبيين لا يتفوق باستمرار على الآخرين في نوافذ الاختبار الخلفي المتداول.
يوضح الجدول التالي ، في المتوسط ، أن النمذجة المجمعة لأفضل نموذجين تعطي أفضل أداء. يوفر CNNQR ثاني أفضل نتيجة.
وفي الختام
أوضح هذا المنشور كيفية إنشاء حل ML شامل لمشكلات التنبؤ واسعة النطاق التي تجمع بين التنبؤ ونموذج مخصص تم تدريبه على SageMaker. اعتمادًا على احتياجات عملك ومعرفة تعلم الآلة ، يمكنك استخدام خدمة مُدارة بالكامل مثل التنبؤ لتفريغ عملية الإنشاء والتدريب والنشر لنموذج التنبؤ ؛ قم ببناء نموذجك المخصص بآليات ضبط محددة باستخدام SageMaker ؛ أو أداء تجميع النموذج من خلال الجمع بين الخدمتين.
إذا كنت ترغب في المساعدة في تسريع استخدام ML في منتجاتك وخدماتك ، فيرجى الاتصال بـ مختبر أمازون ML Solutions برنامج.
مراجع حسابات
Hyndman RJ، Athanasopoulos G. التنبؤ: المبادئ والممارسات. نصوص 2018 8 مايو.
Vaswani A ، Shazeer N ، Parmar N ، Uszkoreit J ، Jones L ، Gomez AN ، Kaiser Ł ، Polosukhin I. الاهتمام هو كل ما تحتاجه. التقدم في أنظمة معالجة المعلومات العصبية. 2017 ؛ 30.
Zhou H ، Zhang S ، Peng J ، Zhang S ، Li J ، Xiong H ، Zhang W. Informer: ما وراء المحولات الفعالة للتنبؤ بالتسلسل الزمني الطويل. InProceedings من AAAI 2021 2 فبراير.
حول المؤلف
جوكتوج سينار هو عالم رائد في تعلم الآلة والمسؤول التقني عن ML والتنبؤ القائم على الإحصائيات في شركة Robert Bosch LLC ومركز Bosch للذكاء الاصطناعي. يقود البحث في نماذج التنبؤ ، والدمج الهرمي ، وتقنيات تجميع النماذج بالإضافة إلى فريق تطوير البرمجيات الذي يوسع نطاق هذه النماذج ويخدمها كجزء من برنامج التنبؤ المالي الداخلي الشامل.
مايكل بيندر هو مالك منتج في شركة Bosch Global Services ، حيث ينسق تطوير ونشر وتنفيذ تطبيق التحليلات التنبؤية الواسع للشركة للتنبؤ الآلي واسع النطاق المستند إلى البيانات للأرقام المالية الرئيسية.
أدريان هورفاث هو مطور برامج في مركز Bosch للذكاء الاصطناعي ، حيث يطور ويحافظ على الأنظمة لإنشاء تنبؤات تستند إلى نماذج التنبؤ المختلفة.
بانبان شو هو عالم تطبيقي كبير ومدير مع Amazon ML Solutions Lab في AWS. تعمل على البحث والتطوير لخوارزميات التعلم الآلي لتطبيقات العملاء عالية التأثير في مجموعة متنوعة من القطاعات الصناعية لتسريع تبني الذكاء الاصطناعي والسحابة. تشمل اهتماماتها البحثية إمكانية تفسير النموذج ، والتحليل السببي ، والذكاء الاصطناعي البشري في الحلقة ، وتصور البيانات التفاعلي.
جاسلين جريوال هي عالمة تطبيقية في Amazon Web Services ، حيث تعمل مع عملاء AWS لحل مشكلات العالم الحقيقي باستخدام التعلم الآلي ، مع التركيز بشكل خاص على الطب الدقيق وعلم الجينوم. لديها خلفية قوية في المعلوماتية الحيوية وعلم الأورام والجينوميات السريرية. إنها شغوفة باستخدام الذكاء الاصطناعي / التعلم الآلي والخدمات السحابية لتحسين رعاية المرضى.
سيلفان سينتيفيل هو كبير مهندسي ML مع Amazon ML Solutions Lab في AWS ، ويركز على مساعدة العملاء في التعلم الآلي ، ومشكلات التعلم العميق ، وحلول التعلم الآلي الشاملة. لقد كان رائدًا هندسيًا مؤسسًا لشركة Amazon Comprehend Medical وساهم في تصميم وبنية خدمات AWS AI المتعددة.
رويلين تشانغ هو SDE مع Amazon ML Solutions Lab في AWS. يساعد العملاء على اعتماد خدمات AWS AI من خلال بناء حلول لمعالجة مشاكل العمل الشائعة.
شين راي هو خبير استراتيجي في ML مع Amazon ML Solutions Lab في AWS. إنه يعمل مع العملاء عبر مجموعة متنوعة من الصناعات لحل احتياجاتهم التجارية الأكثر إلحاحًا وابتكارًا باستخدام اتساع نطاق خدمات AWS للذكاء الاصطناعي / التعلم الآلي المستندة إلى السحابة.
لين لي تشيونغ هو مدير العلوم التطبيقية مع فريق Amazon ML Solutions Lab في AWS. تعمل مع عملاء AWS الاستراتيجيين لاستكشاف وتطبيق الذكاء الاصطناعي والتعلم الآلي لاكتشاف رؤى جديدة وحل المشكلات المعقدة.