تخطَّ إلى المحتوى

التحليلات التنبّؤيّة

تنبّؤاتٌ ودرجاتُ مخاطرَ مبنيّةٌ على سجلّكم التاريخيّ، تُختبر رجعيًّا قبل أن يعتمد عليها أحد.

ما هذه الخدمة

تستخدم التحليلات التنبّؤيّة البيانات التاريخيّة لتقدير ما لم يُعرف بعد: طلبُ الشهر المقبل، أو الأصلُ المرجَّح تعطّله، أو الحسابُ المرجَّح انصرافه. والعمل يقع أساسًا في السمات (Features) — تجميعُ مدخلاتٍ نظيفةٍ صحيحةِ التوقيت — وفي التحقّق من أنّ النموذج كان ليصيب على بياناتٍ لم يرها قطّ.

الإخفاق الشائع نموذجٌ يسجّل نتائج جيّدة في دفتر تجارب ولا يغيّر أيّ قرار. وله سببان: التسريب (Leakage)، حيث تشفّر سمةٌ ما الإجابةَ ضمنًا فتضخّم نتائج التحقّق؛ وغيابُ مالكٍ مسمّى للقرار الذي يُفترض أن يخدمه التنبّؤ. ونرى أيضًا فرقًا تلجأ إلى تعلّم الآلة حيث كان انحدارٌ بسيط أو عتبةٌ محسوبة كافيًا وبصيانةٍ أقلّ بكثير.

متى تحتاجها

إن صدق أكثرُ من واحدةٍ ممّا يلي، فهذه عادةً نقطةُ البداية الصحيحة.

  • التخطيط يجري على جداول بياناتٍ وأرقام العام الماضي، ولا يُحلَّل الانحراف أبدًا.
  • مشروعٌ تجريبيٌّ لعلم البيانات أنتج نموذجًا لم يربطه أحدٌ بعمليّةٍ تشغيليّة.
  • الصيانة إمّا تفاعليّةٌ بعد العطل أو على تقويمٍ ثابت، بصرف النظر عن الاستخدام الفعليّ للمعدّات.
  • لا أحد يستطيع القول إن كان نموذجٌ منشورٌ ما زال بدقّته يوم إطلاقه.

ما الذي يشمله النطاق

  • تأطير المشكلة: أيّ قرارٍ يغيّره التنبّؤ، ومن يملك ذلك القرار، وأيّ إجراءٍ يتبع درجةً معيّنة.
  • هندسةُ السمات ومخزنُ سماتٍ (Feature Store) بصحّةٍ زمنيّةٍ نقطيّة تمنع التسريب.
  • تطويرُ النموذج واختبارٌ رجعيٌّ نزيهٌ على فتراتٍ لم يرها النموذج أثناء التدريب.
  • النشرُ داخل تدفّق العمل الذي يتصرّف بناءً على الدرجة، لا في لوحة معلوماتٍ لا يفتحها أحد.
  • مراقبةُ الانحراف ومحفّزاتُ إعادة التدريب ومستوى تفسيرٍ يناسب حساسيّة القرار.

ما الذي تستلمه

المُخرَجما يحتويه
تعريف القرار وخطّ الأساسالقرارُ الذي يخدمه النموذج، وخطُّ الأساس الحاليّ الذي يجب أن يتفوّق عليه، والهامشُ الذي يجعل نشره مبرَّرًا مقابل كلفة تشغيله.
خطّ السمات ومخزنهاسماتٌ قابلةٌ لإعادة الإنتاج بصحّةٍ زمنيّةٍ نقطيّة، بحيث يرى التدريبُ والإنتاجُ القيمَ نفسها تمامًا.
النموذج والاختبار الرجعيّ والسجلّنموذجٌ مُصدَّرٌ بالإصدار مع نتائج اختباره الرجعيّ عبر فتراتٍ محجوزة وافتراضاته مكتوبةً إلى جانبه.
خطّة المراقبة وإعادة التدريبمقاييسُ الانحراف وعتباتُ التنبيه ومحفّزٌ موثَّقٌ لموعد إعادة تدريب النموذج أو إيقافه.

مخطّطٌ معماريٌّ مرجعيّ

مرجعٌ لا قالب. بيئتُك هي التي تقرّر أيَّ أجزائه ينطبق، وبأيّ ترتيبٍ يصل.

مخطّطٌ مرجعيٌّ للتحليلات التنبّؤيّة: طبقاتُ الاستيعاب والنموذج والتحكّمالاستيعاب: Feature Store, Historical Data, Labels. النموذج: Training & Validation, Backtesting, Model Registry. التحكّم: Drift Monitoring, Retraining Triggers, ExplainabilityالاستيعابFeature StoreHistorical DataLabelsالنموذجTraining & ValidationBacktestingModel RegistryالتحكّمDrift MonitoringRetraining TriggersExplainability
مخطّطٌ مرجعيٌّ للتحليلات التنبّؤيّة: طبقاتُ الاستيعاب والنموذج والتحكّم

كيف يُقاس النجاح

تُتَّفق المستهدفاتُ معك قبل بدء العمل، ويُرفَع التقريرُ عليها طوال مدّته.

  • خطأُ التنبّؤ على فترةٍ محجوزة، مقارنًا بالطريقة الأساسيّة التي تستخدمها المؤسّسة اليوم.
  • انحرافُ المدخلات والتنبّؤات مقيسًا مقابل توزيع التدريب، بعتبة تنبيهٍ محدَّدة.
  • توفّرُ الدرجة في لحظة القرار الذي بُنيت له، مقيسًا بوصفه مؤشّرَ التبنّي الفعليّ.

أسئلةٌ تُطرح علينا

  • هل نحتاج فعلًا إلى تعلّم الآلة لهذا؟

    غالبًا لا، وسنقول ذلك. خطُّ أساسٍ موسميّ أو انحدارٌ أو عتبةٌ محسوبةٌ جيّدًا يحلّ نسبةً مفاجئةً من مسائل التنبّؤ والتسجيل، بجزءٍ يسيرٍ من الصيانة وبشفافيّةٍ أعلى بكثير. نقارن أوّلًا بالطريقة البسيطة، ولا نوصي بنموذجٍ إلّا إذا تفوّق عليها بما يكفي لتبرير كلفة التشغيل.

  • كم نحتاج من السجلّ التاريخيّ؟

    ما يكفي لتغطية الدورات المهمّة: عدّةُ مواسم كاملة للطلب، وعددٌ كافٍ من الأعطال المسجَّلة لأعمال الصيانة. والجودةُ أهمّ من الحجم: تعريفاتٌ متّسقة وطوابعُ زمنيّةٌ موثوقة وفجواتٌ معروفة تتفوّق على سلسلةٍ أطول تغيّر معناها في منتصفها.

  • لماذا كان أداء نموذجنا السابق في الإنتاج أسوأ من الاختبار؟

    السبب المعتاد هو التسريب: سمةٌ لم تكن متاحةً فعلًا لحظة التنبّؤ، أو سمةٌ تشفّر النتيجة. الصحّةُ الزمنيّة النقطيّة في خطّ السمات تمنعه، والاختبارُ الرجعيّ على فتراتٍ غير مرئيّة يكشفه. والسبب الثاني الأكثر شيوعًا أنّ الواقع تغيّر ولم يكن أحدٌ يراقب الانحراف.

  • هل نستطيع تفسير تنبّؤٍ لجهةٍ رقابيّةٍ أو لعميل؟

    ذلك يتوقّف على خياراتٍ تُتَّخذ في البداية. حيث يكون التفسير مطلوبًا نفضّل نماذج قابلةً للتفسير بطبيعتها ونقبل بعض الكلفة في الدقّة، بدل إلصاق تفسيرٍ بعديٍّ بنموذجٍ معتمٍ وتسميته شفافيّة. أخبرونا بالمتطلّب مبكرًا لأنّه يغيّر التصميم.

  • من يتولّى صيانة النموذج بعد الإطلاق؟

    لا بدّ من جهةٍ تتولّاه، ويجب الاتّفاق على ذلك قبل التشغيل. النماذج تتدهور مع تغيّر السلوك والبيانات، لذا تشمل الخطّة المراقبةَ ومحفّزاتِ إعادة التدريب ومن يقرّر إيقاف النموذج. يمكننا تشغيله أو تسليمه مع أدلّة التشغيل، لكنّ نموذجًا غير مراقَبٍ في الإنتاج مسؤوليّةٌ لا أصل.

  • ماذا يحدث حين يكون التنبّؤ خاطئًا؟

    سيكون خاطئًا في بعض الأحيان؛ فالتنبّؤ احتمالٌ لا حقيقة. والسؤال التصميميّ هو كم يكلّف الخطأ في كلّ اتّجاه وماذا تفعل العمليّة حياله: خطوةُ مراجعة، أو عتبةٌ تميل إلى الحذر، أو قرارٌ بشريٌّ في الحالات عالية القيمة. والمنظومات التي تعامل الدرجة بوصفها يقينًا تفشل أوّل مرّةٍ تتبدّل فيها الظروف.

اقرأ أيضًا

  • منصّة البيانات والتحليلات

    مستودعٌ أو بحيرةُ مستودع، وتحويلاتٌ مُختبَرة، وطبقةٌ دلاليّة، وحوكمةٌ فعليّة، كي تتّفق التقارير ويكون لكلّ مؤشّرٍ مالكٌ مسمّى.

  • AIOps

    ربطٌ وكشفُ شذوذٍ وتقليلُ ضجيجٍ عبر المقاييس والسجلّات والتتبّعات، مع أتمتة أدلّة التشغيل تحت موافقةٍ بشريّةٍ صريحة.

ابدأ بتقييم

أسرعُ طريقٍ إلى جوابٍ مفيد نظرةٌ قصيرةٌ محدَّدةُ النطاق على ما لديكم أصلًا.