Matematikų komanda žengė reikšmingą žingsnį prognozavimo srityje, kurio tikslas – tiksliau numatyti būsimus duomenis. Tai nėra mistinis ateities spėjimas, o praktinis prognozavimas – milžiniška šiuolaikinės ekonomikos dalis, kuria remiasi viskas: nuo prekybos tinklų, planuojančių naujų knygų atsargas, iki ūkininkų, užtikrinančių pakankamą kalakutų kiekį Padėkos dienai.
Lehigh universiteto mokslininkas Taehodas Kimas vadovavo septynių matematikų komandai, parengusiai naują tyrimą. Jis šiuo metu paskelbtas kaip preprintas „arXiv“ platformoje, taigi dar nėra recenzuotas ar publikuotas mokslo žurnale. Įvade Kimas su kolegomis paaiškina, kodėl prognozavimas XXI amžiuje tapo vienu svarbiausių mokslo ir technologijų instrumentų:
„Prognozavimas yra viena svarbiausių statistikų, matematikų, mašininio mokymosi tyrėjų, duomenų mokslininkų ir dirbtinio intelekto specialistų užduočių. Jis turi didžiulę reikšmę daugeliui mokslo, inžinerijos, medicinos, sveikatos priežiūros, ekonomikos, verslo, politikos ir visuomenės sričių. Regresiniai modeliai, mašininio mokymosi algoritmai ir dideli kalbų modeliai iš esmės yra prognozavimo mašinos.“
Kodėl dabartiniai prognozavimo metodai riboti
Kai kurie mano, kad turint „pakankamai informacijos“ būtų galima numatyti bet kurią situaciją. Tačiau realūs duomenų rinkiniai dažnai yra pernelyg dideli, sudėtingi ir neišsamūs. Dauguma klasikinių prognozavimo metodų veikia tik labai specifinėse srityse, kur trūkstamą informaciją galima pakeisti pagrįstomis prielaidomis.
Plačiai naudojamas Pearsono koreliacijos koeficientas (PCC) vertina, kaip glaudžiai du kintamieji yra susiję tiesiniu ryšiu. Tačiau tai tik artumo prie linijos matas.
Tuo tarpu konkordancijos koeficientas (CCC) reikalauja, kad X ir Y turėtų tuos pačius matavimo vienetus ir apibūdintų tą patį reiškinį. Todėl CCC gali vertinti ne tik ryšio stiprumą, bet ir tai, ar apskritai prasmė sutampa – tai suteikia gilesnį prognozės tikslumo matą.
Naujas įrankis: maksimaliai suderintas tiesinis prognozavimo metodas (MALP)
Komanda pasiūlė naują prognozavimo sistemą – maksimaliai suderintą tiesinį prognozavimo įrankį (MALP). Supaprastintai kalbant, tai patobulinta CCC versija, gebanti tiksliau įvertinti specifinius ryšius ir veikti situacijose, kuriose tradiciniai metodai susidūrė su ribomis.
MALP:
- pateikia prognozes su didesniu bendru suderinamumo lygiu
- leidžia apdoroti netaisyklingai struktūruotus duomenis, ne tik klasikinius XY grafikus
- gali būti naudingas ypač tada, kai duomenų rinkiniai yra neįprasti arba labai dideli
Tyrėjų teigimu, tai įrankis, skirtas „egzotiškesnėms“ statistinėms situacijoms, kuriose įprastiniai metodai tampa neefektyvūs.
Kodėl tai svarbu: nuo dinozaurų genomo iki metaanalizės
Straipsnyje pateikiamas palyginimas: įsivaizduokite „Juros periodo parko“ scenarijų. Jei turėtume tik 95 proc. gyvūno genomo, o likusius 5 proc. „nupieštume“ prognozavimo algoritmu, gautume organizmą, kurio gyvybingumas kelia abejonių. Tai primena realią problemą – net ir maža prognozavimo paklaida gali lemti didelį galutinių išvadų nuokrypį.
Prognozavimo įrankiai turi milžinišką įtaką:
- matavimų atkuriamumui
- metodų validacijai
- nuoseklumo tyrimams
- metaanalizėms, kur sujungiami keli moksliniai darbai
Pastaraisiais metais atkuriamumas tapo viena karščiausių mokslinių diskusijų temų. Todėl tikslesni prognozavimo metodai yra kritiškai svarbūs.
Kas toliau?
Lehigh universiteto pranešime Kimas teigia, kad nors pirmoji MALP versija remiasi klasikine 45 laipsnių linijos logika, ateityje metodas gali išsivystyti į daug universalesnį „maksimalaus sutapimo prognozavimo įrankį“.
„Turime tai toliau tyrinėti“, – reziumuoja jis.
Šaltinis: https://arxiv.org/abs/2304.04221
