REPOZITORIJ > REZULTATI

Povzetek

V doktorski disertaciji smo preučili uporabo strojnega učenja za napoved povpraševanja.
Predlagali smo novi pristop za napoved občasnega povpraševanja, ki ima redno manjše ali
večje razlike v povpraševanih količinah. Pristop deli napoved občasnega povpraševanja v
dva modela: klasifikacijski model za napoved samega dogodka povpraševanja in regresijski
model za napoved povpraševane količine. Delitev napovedi povpraševanja na dva dela
omogoča boljši vpogled v samo napoved in razumevanje vzrokov netočnosti: ali napoved
ni točna zaradi slabe napovedi glede samega dogodka povpraševanja, ali napoved ni točna
zaradi napovedi povpraševane količine. Za primerno ovrednotenje kakovosti napovedi predlagamo
tri metrike: AUC ROC za ovrednotenje natančnosti klasifikacijskega modela,
MASE za ovrednotenje natančnosti regresijskega modela ter SPEC za razumevanje vpliva
napovedi na stroške zalog.
Napoved samega dogodka povpraševanja ne omogoča verjetnostne interpretacije in posledično
nima intuitivne razlage za osebo, ki koristi napovedi. Treba je ustvariti dodaten
model za preslikavo vrednosti originalnega modela strojnega učenja v verjetnostne napovedne
rezultate. Mnoge raziskave so posvetile pozornost verjetnostni kalibraciji modelov
strojnega učenja. V njih se predvideva, da obstajajo neki označeni podatki, na podlagi
katerih lahko poteka kalibracija modela. V doktorski tezi predlagamo nove metrike za
merjenje kakovosti kalibracijskih modelov. Predlagane metrike uspešno odpravijo nekatere
pomanjkljivosti ene izmed pogosto uporabljenih metrik. Iz rezultatov je tudi razvidno, da
predlagane metrike omogočajo ocenjevanje kakovosti kalibracijskega modela brez uporabe
označenih podatkov, ko se distribucija vhodnih podatkov modela strojnega učenja ne spreminja.
Predlagane metrike so lahko koristne za ocenjevanje (i) kakovosti kalibracijskega
modela v času, ne da bi potrebovali označene podatke, ter (ii) treniranje kalibracijskega
modela brez označenih podatkov (človeških oznak glede na dogodek, ki ga model napoveduje).
Čeprav smo opravili nekaj eksperimentov v tej smeri, prvi rezultati niso kazali
kompetitivnih rezultatov. Naše mnenje je, da je smer vredna raziskav, vendar je treba
vložiti več časa vanjo.
Doktorsko disertacijo zaključimo z nekaj primeri uporabe razložljive umetne inteligence
pri napovedi povpraševanja. Vpoglede razložljive umetne inteligence smo obogatili z ekspertnim
znanjem iz ontologij in znanjem, pridobljenim preko besedilnega rudarjenja novic
raznih informacijskih virov na internetu.