Predictive analytics in het Trendskout AI Platform

Predictive Analytics met Machine learning of Deep Learning kan op verschillende manieren gebeuren, afhankelijk van het onderliggende algoritme dat gebruikt wordt om het predictieve model op te stellen. Alle predictieve modellen hebben als doel om onbekende waardes, eigenschappen of gebeurtenissen te voorspellen. Voor predictie wordt vaak gebruikt gemaakt van onder andere algoritmes voor classificatie, clustering, patroonherkenning en beeldherkenning. De volgende populaire types zijn standaard beschikbaar in Trendskout:

Voorbeeld toepassingen

Krachtig Cloud-AI Platform

Naast specifieke modules voor productiebedrijven, biedt het Trendskout AutoML platform ook tal van mogelijkheden voor IT teams om snel AI toepassingen op te zetten, Powered door onze unieke dubbele AI laag en gebruiksvriendelijke UI die datatransformaties, algoritmeselectie en hypertuning volledig automatiseert.

Hoe halen organisaties meerwaarde uit AI en Machine Learning?

Ontvang toegang tot ons Resource Center met interessante business cases gratis in je mailbox.

Connect

1

Analyse

2

Predictie

Predictie is een AI Flow analyse-functie.

Automate

3

Hoe werkt dit technisch?

Forecasting

Een veel voorkomend type predictive analytics is het voorspellen van een continue reeks van waarden. Bij forecasting is de data continue, m.a.w. volgen de waarden zich in een constante stroom op. Dit in tegenstelling tot predictie van labels of types waarbij de waarden discreet zijn, dus niet continue elkaar opvolgen. Temperatuur is een voorbeeld van een continue reeks waarden, op ieder moment is er een temperatuur meetbaar. Het voorspellen wat de temperatuur morgen, bijvoorbeeld, zal zijn is dus forecasting. Voorspellen of het morgen zal onweren is labelen, het onweert immers niet iedere dag. Er zijn verschillende types algoritmes die gebruikt worden, zoals SMOreg. Er zijn telkens verschillende databewerkingen vereist op de aangeleverde data, en op basis van de uitkomst hiervan kunnen andere algoritmes beter geschikt zijn. De databewerkingen en de evaluatie van het algoritme worden door Trendskout bepaald, waardoor geen tussenkomst vereist is van de gebruiker. Hierbij wordt, net zoals bij andere toepassingen zoals classificatie, telkens gewerkt met een training-stap waarbij het Forecasting-algoritme en de hypertuning hiervan wordt gestuurd door evaluatie op basis van de accuraatheid van de voorspelling op niet eerder verwerkte testdata, een deel van de trainingsdata.

Anomalie predictie

Anomalie predictie is het detecteren en voorspellen van uitzonderlijke gebeurtenissen, anomalieën. In vergelijking met predictie van labels, en zeker forecasting, zijn anomalieën gebeurtenissen die zich nog minder frequent voordoen, bvb het voorkomen van een orkaan. Doordat deze gebeurtenissen zo weinig voorkomen, is er vaak niet veel informatie in de trainingsdata waarop het algoritme zich kan baseren om verbanden te detecteren wanneer deze anomalieën wel of niet voorkomen. Er is m.a.w. een onevenwicht in de trainingsdata. Hierdoor zijn andere types algoritmes, en bewerkingen aan de data, nodig dan bijvoorbeeld bij forecasting of label-predictie. In het hypertuning proces van anomaliepredictie wordt frequent gewerkt met technieken zoals SMOTE, undersampling of oversampling. Het hele hypertuning proces wordt net zoals bij alle andere AI en Deep Learning toepassingen binnen Trendskout geautomatiseerd.

Predictie van labels of types

Door middel van een classificatie algoritme, bvb. Een neuraal netwerk, wordt een classificatiemodel opgesteld a.d.h.v. trainingsdata. Dit model heeft als doel om de labels van nieuwe data, bvb. Producten of gebeurtenissen, te voorspellen. Dit is het meest voorkomende voorbeeld van predictie en richt zich op het toekennen van “klasses” – of anders gezegd labels of types- aan nieuwe data die het model nog niet eerder heeft verwerkt. Deze data kan zowel gestructureerde data zijn, ongestructureerde tekstdata of beelden. Ieder type data heeft een andere dimensionaliteit waardoor telkens andere algoritmes gebruikt worden. Zo zijn beelden vaak hoog dimensionaal en worden vaak neurale netwerken gebruikt voor de predictie van het correcte label. Welk neuraal netwerk – of ander type algoritme- het meest geschikt is wordt door Trendskout autonoom beslist wat de kwaliteit van het predictieve model ten goede komt – het voorkomt menselijke fouten- en daarnaast ook sneller tot het optimale predictieve model leidt.

Predictie + Trendskout

Bovenstaande voorbeelden zijn maar een greep uit het aantal predictie-toepassingen ondersteund door Trendskout.

Hoewel het uiteindelijke doel van iedere predictie-toepassing telkens heel gelijkaardig is, voorspellen van waardes of gebeurtenissen, is de techniek om dit te bereiken telkens heel verschillend. Er zijn verschillende variabelen zoals de keuze van het algoritme of type neuraal netwerk, de parameters van dit algoritme en de vereiste databewerkingen. Deze drie variabelen samen vormen een oneindig aantal mogelijkheden met telkens een ander predictief model als resultaat. Via intelligente Auto ML, geautomatiseerde databewerkingen en een krachtige intuïtieve gebruikersinterface gaat Trendskout zelfstandig het meest optimale predictieve model selecteren.

Alle features ontdekken tijdens een live demo?

Neem contact op en we tonen u de directe meerwaarde van artificial intelligence voor uw organisatie.