256 TĂNG TỐC VIỆC PHÂN TÍCH CHUỖI THỜI GIAN VỚI PHƯƠNG PHÁP MÁY HỌC TỰ ĐỘNG HÓA Bùi Mạnh Trường Khoa Công nghệ Thông tin Trường Đại học Tài chính – Marketing Email bmtruong@ufm edu vn Tóm tắt Thời gia[.]
TĂNG TỐC VIỆC PHÂN TÍCH CHUỖI THỜI GIAN VỚI PHƯƠNG PHÁP MÁY HỌC TỰ ĐỘNG HÓA Bùi Mạnh Trường Khoa Cơng nghệ Thơng tin Trường Đại học Tài – Marketing Email bmtruong@ufm.edu.vn Tóm tắt: Thời gian (Time) nhân tố quan trọng cần xem xét đánh giá để đảm bảo thành công kinh doanh khó khăn để bắt kịp tốc độ thời gian Công nghệ phát triển với phương pháp mạnh mẽ giúp biết trước việc trước thời gian kịp tới thời điểm việc diễn Dữ liệu chuỗi thời gian nâng cao hiệu kinh doanh việc đưa cách nhìn sâu sắc kết hoạt động kinh doanh tương lai Các công cụ phương pháp máy học tự động cung cấp lợi quan trọng so với cơng cụ phân tích truyền thống tính đơn giản, nhanh & khả diễn giải kết thu Từ khóa: data, time series, machine learning, automated machine learning, AutoML GIỚI THIỆU Phân tích chuỗi thời gian (Time series) có nhiều mục tiêu khác nhau, tùy thuộc vào lĩnh vực ứng dụng Các mục tiêu bao gồm dự đoán giá trị tương lai chuỗi, trích xuất tín hiệu ẩn dấu liệu pha tạp, khám phá chế mà liệu tạo ra, mô kết độc lập thực tế chuỗi để hiểu liệu thay đổi tương lai Trong tất ứng dụng, phân tích chuỗi thời gian ban đầu thường cố gắng tìm mơ hình tốn học để giúp tìm hình thức trực quan tốt liệu quan sát Nhiều năm qua, số lượng dòng liệu đổ vào kho liệu phân tích tăng đáng kể liên tục để hỗ trợ phạm vi rộng lớn cho nhu cầu kinh doanh Sự gia tăng làm thay đổi sâu sắc loại hình phân tích theo u cầu, từ cơng việc phân tích tổng hợp mô tả kết hoạt động kinh doanh lịch sử việc tập trung nhiều vào kết hoạt động kinh doanh tương lai có sử dụng phương pháp đo lường với độ chi tiết cao Sự gia tăng tạo áp lực cho tổ chức đầu tư vào cơng nghệ để quản lý & phân tích liệu chuỗi thời gian Những liệu phản ánh tất mặt quy trình kinh doanh, hành vi khách hàng & việc sử dụng tài sản doanh nghiệp với việc phân tích để nhanh chóng xác định sai lệch so với quy chuẩn mà ảnh hưởng tiêu cực tới kết hoạt động kinh doanh giúp phát hội 256 Việc phát triển mơ hình Máy học theo cách truyền thống đòi hỏi nhiều tài nguyên, đòi hỏi kiến thức chuyên môn cao thời gian lâu để xây dựng mơ hình so sánh nhiều mơ hình với Khi cơng cụ thống kê truyền thống gặp khó khăn việc xử lý liệu đầu vào đa biến, bỏ sót tiềm mang lợi cạnh tranh để nắm bắt & ảnh hưởng tiêu cực tới hoạt động kinh doanh thực tế cơng cụ Máy học tự động giúp tăng cường việc phân tích, xây dựng mơ hình & dự đốn dựa vào liệu chuỗi thời gian để đề xuất cho doanh nghiệp hội dễ hiểu & khả thi cách đơn giản nhanh chóng Máy học tự động (Automated Machine Learning) sử dụng thuật toán m học tự động hóa q trình thiết kế có cấu trúc mơ hình xác định Máy học tự động cung cấp cơng cụ phân tích liệu có cấu trúc cách có hệ thống thiết kế sẵn để hỗ trợ lĩnh vực bán lẻ, chuyển đổi, y tế nhằm thu kinh nghiệm thực tiễn tốt áp dụng thuật toán Máy học để giải toán dự đoán xác với chi phí thấp nhanh chóng Máy học tự động thực quy trình tự động hóa tác vụ liên tục lặp lại phần tồn quy trình để phát triển mơ hình máy học nên nhiều thời gian để thực Nó cho phép nhà khoa học liệu, nhà phân tích nhà phát triển để xây dựng mơ hình Máy học có khả phát triển quy mô ứng dụng với hiệu suất cao đảm bảo chất lượng mô hình Máy học tự động ứng dụng dịch vụ Máy học Azure phát triển từ thành cơng mang tính đột phá phận nghiên cứu tập đoàn Microsoft ĐẶC TRƯNG CỦA CHUỖI THỜI GIAN & CÁC ỨNG DỤNG Mọi hoạt động giới, người & thiên nhiên thay đổi theo thời gian Chuỗi thời gian định nghĩa chuỗi liệu thời điểm đánh dấu tạo thành mốc thời gian cách xa Phân tích chuỗi thời gian việc sử dụng phương pháp thống kê Máy học để phân tích liệu nhiều mốc thời gian cách trích xuất mẫu có đầy đủ ý nghĩa biến đầu xu hướng (nhu cầu sử dụng laptop nhiều máy tính để bàn, tốn ví điện tử nhiều toán tiền mặt, mua hàng online ngày phát triển ), mùa kinh doanh (mùa hè, tháng nhập học, Tết Nguyên đán ) kiện đặc biệt (ngày mua sắm cao điểm Black Friday, lễ giáng sinh, ngày lễ tình nhân 14/02 ) mối quan hệ tương tác 257 biến đầu vào giúp việc dự đoán biến đầu vào thay đổi để ảnh hưởng đến biến đầu Có nhiều ứng dụng phân tích chuỗi thời gian, số nhu cầu việc dự báo tương lai giúp cải thiện công tác hoạch định sản xuất tối ưu Điều cho phép dự đốn tình hình nhà đất địa phương năm tới, nhu cầu phòng khách sạn Phú Quốc tuần tới, số lượng người đổ phố vài tới, khối lượng công việc định tuyến vài phút tới & chí số lượng click chuột & chuyển đổi cổng toán mua sắm trực tuyến 30 giây Ngoài việc đưa dự đốn, phân tích chuỗi thời gian cung cấp góc nhìn cho hệ thống phức tạp, ví dụ để xác định yếu tố gây thời gian chết thiết bị khu vực sản xuất phát tín hiệu bất thường từ nhật ký theo dõi hệ thống tin học Việc sử dụng siêu liệu ngữ cảnh chuỗi thời gian phụ có liên quan với chuỗi thời gian xem xét giúp thúc đẩy việc phân tích nhanh hơn, cho phép thực câu hỏi tình (Nếu Thì ), ví dụ ảnh hưởng bão tới lên nhà máy phát điện sử dụng lượng gió tác động việc quảng cáo tới công tác bán hàng Giả thiết đặt có tồn cấu trúc bên liệu cho phép sử dụng phần tối thiểu theo thay đổi thời gian biến không liên quan mà thân chúng thay đổi Các biến độc lập theo mùa kinh doanh, thời tết, ngày nghỉ lễ, kiện lên kế hoạch, thời khóa biểu làm việc chí phức tạp biến độc lập kinh tế vĩ mô, nguồn cung cấp lượng ảnh hưởng thị trường chứng khốn BÀI TỐN CHUỖI THỜI GIAN RẤT KHĨ Bài tốn chuỗi thời gian thường khó giải toán cố gắng để khám phá cấu trúc tiềm ẩn sẵn sàng bộc lộ từ liệu lịch sử & ngoại suy tương lai Các đặc tính cốt lõi tốn chuỗi thời gian sau minh họa hình : Các khoảng thời gian phân chia thành khoảng đặc trưng quan trọng chuỗi thời gian Khi khoảng thời gian phân đoạn khác nhau, theo ngày theo tuần theo tháng thuật tốn thu mơ hình khác & khả dự đốn khác tương ứng 258 Ta sử dụng nhiều chuỗi thời gian làm biến đầu vào, biến đầu vào nắm bắt trình lựa chọn đặc trưng xác định khoảng thời gian khám phá đặc trưng Trong giai đoạn dự đoán chuỗi thời gian, giai đoạn thường trình tiếp diễn chuỗi thời gian đầu đặt mục tiêu, việc phát triển mơ hình từ chuỗi thời gian đầu vào sử dụng để dự đoán trạng thái tương lai mục tiêu, ví dụ, doanh số bán hàng quý năm tới số lượng click chuột 30 phút tới chương trình khuyến trực tuyến, số lượng chủng loại hàng hóa sức mua tháng mua sắm, mùa mua sắm khoảng thời gian cụ thể tương lai Hình 1: Các đặc tính quan trọng tốn Chuỗi thời gian Q trình xây dựng mơ hình chuỗi thời gian nỗ lực để khám phá thay đổi kết từ chuỗi thời gian đầu chuỗi thời gian đầu Q trình phức tạp lặp lại, bắt đầu việc xác định chuỗi thời gian đầu vào sử dụng tham gia vào việc chuẩn bị liệu cách chia tách, làm phân đoạn liệu Tiếp theo việc trích xuất đặc trưng, xây dựng mơ hình kiểm tra ngược thu kết chấp nhận được, tùy thuộc vào tiêu chuẩn xác định xác ban đầu Tiếp theo việc diễn giải mơ hình đánh giá mơ hình, cuối triển khai áp dụng mơ hình, bước thường đánh giá thấp mơ hình ổn định, mở rộng quy mơ ứng dụng đưa vào ứng dụng hoạt động nghiệp vụ nội để tạo đầu can thiệp hữu ích Theo định kỳ, tồn q trình xây dựng mơ hình chuỗi thời gian cần lặp lại liệu xuất 259 CÁCH TIẾP CẬN TRUYỀN THỐNG KHI PHÂN TÍCH CHUỖI THỜI GIAN Phân tích chuỗi thời gian khơng phải mẻ Các kỹ thuật thống kê cổ điển áp dụng cho việc phân tích kinh tế lượng xu hướng, chu kỳ tính ngẫu nhiên tồn bền vững qua nhiều thập kỷ Từ xuất công nghệ tin học, kỹ thuật ARIMA (Tự phục hồi (Auto-Regressive), Tích hợp (Integrated), Các giá trị trung bình liên tiếp (Moving Average)) biến thể chúng (VARIMA dành cho véc tơ, GARCH dành cho biến động thời gian thay đổi ) sử dụng rộng rãi để giải toán kinh tế lượng, kinh doanh & điều hành Đây mơ hình tham số tiêu biểu, thường đơn biến tạo giả thuyết đáng tin cậy việc phân phối biến ngẫu nhiên độ ổn định mơ hình theo thời gian – mơ hình có cấu trúc cao, dễ hiểu, đòi hỏi liệu vừa đủ tạo độ xấp xỉ tương đối từ tập liệu mẫu Trong đó, phương pháp cổ điển có giới hạn sau : Phụ thuộc vào giả thuyết thống kê Tính hợp lệ giả thuyết bao gồm tính tuyến tính, tính thơng thường tính ổn định quan trọng phân tích thống kê cổ điển áp dụng vào bước triển khai thực tế Những tính chất phải thực nghiêm ngặt giúp cho mơ hình hoạt động đắn, đòi hỏi lặp lại nhiều lần bước làm liệu, lấy mẫu kiểm tra mơ hình Khả tương thích yếu phân tích đa biến Bài tốn đa biến bao gồm nhiều chuỗi thời gian biến đầu vào khi xử lý chuỗi thời gian, phương pháp thống kê cổ điển thường có lực dự đốn tính xác thấp Chính điều hạn chế khả ứng dụng phân tích chuỗi tích thời gian hệ thống độc lập phức tạp thực tế Năng lực dự đốn thời điểm có kiện đặc biệt đặc biệt quan trọng xác định nguyên nhân có nhiều hạn chế liệu lịch sử NHU CẦU VỀ PHÂN TÍCH CHUỖI THỜI GIAN TĂNG CAO Yêu cầu lưu kho hỗ trợ giao hàng tức thời phát triển mạnh mẽ rộng khắp giới lĩnh vực thương mại điện tử buộc doanh nghiệp nâng tầm chơi phân tích đáp ứng nhu cầu khách hàng Hơn nữa, phong trào chuyển 260 đổi số Internet vạn vật (IoT – Internet of Thing) dự án chuyển đổi số đẩy mạnh tính khả thi dư dả liệu chuỗi thời gian phục vụ nhu cầu hoạt động tổ chức Xu hướng tiếp tục buộc doanh nghiệp nâng cao lực chủ đạo chuỗi thời gian xuyên suốt ngành nghề đa dạng Các ngành nghề bật kể sau : Bán lẻ Từ năm 2013, chuỗi đại siêu thị lớn giới Wal-Mart bắt đầu chia sẻ liệu theo thời gian thực số lượng hàng hóa bày bán siêu thị với nhà cung cấp hàng hóa để nhà cung cấp xử lý liệu nhanh chóng kịp thời theo tình hình thực tế cung cấp hàng hóa nhanh chóng Các nhà cung cấp sử dụng liệu chia sẻ để dự đoán khoảng thời gian cung cấp hàng hóa bổ sung số lượng hàng hóa kịp thời với độ xác thời gian phải 85% bị phạt 3% giá trị hợp đồng theo điều khoản ký kết Vận tải Uber dựa vào dự đoán chuỗi thời gian để dự đốn Cung Cầu phân tích không gian thời gian với độ chi tiết cao để hướng dẫn tài xế đến khu vực dự đốn có nhu cầu vận chuyển tăng cao trước nhu cầu vận chuyển tăng lên Điều cần thiết cho mơ hình kinh doanh Uber kết nối tài xế khách hàng kịp thời nhanh chóng thơng qua dịch vụ tảng Uber Năng lượng Một công ty cung cấp điện lớn châu Âu tích hợp 80 thiết bị cảm biến đồng hồ điện hộ gia đình để đọc lưu trữ liệu nhật ký hoạt động đồng hồ điện để từ dự đốn chất lỏng niêm phong có bị phá hoại hay khơng lỗi khơng phát rung động đồng hồ điện bị phá hoại bất thường khác Ứng dụng phân tích chuỗi thời gian công ty hỗ trợ người dân nhà quản lý xử lý tình xấu sớm 03 tuần so với thời điểm tình xấu xảy với độ tin cậy cao không xảy cảnh báo sai Sản xuất Tập đoàn điện tử điện gia dụng Haier sử dụng công cụ điều phối hoạt động tin học hóa để phân tích liệu nhật ký từ hệ thống tin học gồm chuỗi thời gian Công 261 cụ giúp giảm thời gian cần thiết để xác định cố điều tra nguồn gốc cố theo ngày, giờ, chí theo phút số tình cần thiết TRIỂN VỌNG VÀ THÁCH THỨC CỦA MÁY HỌC Các toán phức tạp thực tế chuỗi thời gian thực kể khái quát tập liệu khổng lồ chứa đựng nhiều đặc trưng tiềm thu thập thời gian dài vừa qua Đa số toán chất toán đa biến mà phương pháp cổ điển sử dụng có độ xác lực dự đốn khơng cao, kỹ thuật Máy học giải hạn chế ví dụ phương pháp hồi quy Ridge (Ridge regressors), Cây tăng cường (Boosted tree) mạng nơ rôn (Neural network) Các phương pháp Máy học khắc phục tính tuyến tính, giả thuyết phân phối ổn định tiêu biểu việc xây dựng mơ hình cổ điển mà cịn xây dựng mơ hình khả thi với độ thích nghi cao phân tích đa biến hạn chế rủi ro độ trùng khớp tập liệu mẫu liệu (Overfitting) Đặc biệt, phương pháp Máy học phù hợp với tập liệu chứa nhiều đặc trưng Theo đánh giá chuyên gia IBM dự đoán năm 2022, ứng dụng phương pháp Máy học hoạt động tin học, 75% hoạt động thay chức hoạt động phân tích tự động hóa dựa phương pháp Máy học, giúp giảm 25% chi phí vận hành hoạt động hệ thống tin học Tuy nhiên, Máy học có số thách thức sau : Thiếu nhân có kỹ Có lẽ khó khăn lớn nguồn nhân lực thực thuật toán máy học áp dụng cho chuỗi thời gian Các nhà khoa học liệu chuyên gia máy học cịn thiếu hụt nhiều tổ chức, ví dụ nhóm nước châu Á – Thái Bình Dương (APEJ, trừ Nhật), có 23,7% tổ chức có nhà khoa học liệu, số nhà khoa học liệu ỏi có 20,5% có tảng trình độ mở rộng gồm Khoa học máy tính Máy học Quy trình phức tạp Các tổ chức gặp nhiều khó khăn bước triển khai xây dựng mơ hình máy học phức tạp có tính lặp lại, bao gồm giai đoạn khác chuẩn bị 262 liệu, xây dựng đặc trưng, xây dựng mơ hình, đánh giá mơ hình triển khai mơ hình vào thực tế Hình minh họa dịng cơng việc, cần phải biết tính lặp lại khơng cần thiết bước mà cần thiết bên bước Hình 2: Quy trình phát triển mơ hình Máy học Nhiều cơng cụ thiếu tính liên kết Các phần mềm công cụ khác thường thực giai đoạn quy trình phát triển mơ hình máy học phức tạp Khơng giống việc phát triển phần mềm truyền thống, nhà phát triển xây dựng công cụ để thực nhiều giai đoạn, nhà phát triển máy học thường sử dụng cơng cụ thuật tốn khác để xác định hiệu chúng độ xác kết thực Tất yếu điều dẫn tới việc tinh chỉnh điều chỉnh cho phù hợp lại khó khăn hệ thống hóa lặp lại Quản lý kết thực nghiệm Mỗi thuật tốn Máy học có nhiều tham số cấu hình tốn thời gian chi phí để theo dõi tập tham số tinh chỉnh thực nghiệm đề từ tập trung vào mơ hình tối ưu Nhiều tổ chức phải nỗ lực cố gắng phát triển nhanh phương pháp luận cần thiết để đạt hiệu Triển khai mơ hình Máy học Cũng khả mở rộng, tăng quy mơ ứng dụng mơ hình để xử lý số lượng lớn liệu việc trọng xem xét triển khai mơ hình Máy học thực khả tương tác tảng nội khác có sẵn phạm vi ứng dụng rộng lớn công cụ triển khai môi trường để hoạt động (khả phục vụ kiến trúc phần mềm REST, thời gian thực truy vấn theo lô ứng dụng di động) 263 NHỮNG THÁCH THỨC CỦA RIÊNG CHUỖI THỜI GIAN Giai đoạn chuẩn bị liệu Chuẩn bị liệu cho chuỗi thời gian khó khăn nên bao gồm khơng vấn đề phổ biến liệu không đầy đủ, liệu khơng chuẩn hóa, liệu đầu vào sai, liệu dị thường mà phải quan tâm đến khoảng cách thời gian theo quy ước Các khoảng cách thời gian khơng theo quy ước phát sinh thiếu dư đặc trưng khiến cho việc xây dựng mơ hình thất bại Dễ sai lầm kiểm tra đánh giá Việc đánh giá mơ hình chuỗi thời gian khó khăn Một mơ hình chuỗi thời gian sử dụng nhiều phép đo có độ xác cao lại khơng đủ lực để thực dự đốn Nói chung, tiêu chí đánh giá phải lựa chọn cẩn thận theo trường hợp cụ thể Khả diễn giải mơ hình Khả diễn giải mơ hình liệu chuỗi thời gian có tầm quan trọng so với loại liệu khác phân tích chuỗi thời gian thường gắn bó chặt chẽ với định kinh doanh quan trọng Người sử dụng định mà không hiểu biết rõ ràng giả thuyết đưa vào mơ hình Chính điều tạo thách thức to lớn cho phương pháp Máy học khơng giải thách thức phương pháp Máy học xem mơ hồ, không rõ ràng thiếu minh bạch SỰ TRỖI DẬY CỦA MÁY HỌC TỰ ĐỘNG Theo khảo sát gần tạp chí InfoWorld, 46% công ty Tây Âu thừa nhận họ gặp khó khăn nhiều bước quy trình xây dựng mơ hình Máy học, bao gồm giai đoạn chuẩn bị liệu, xây dựng đặc trưng, xây dựng mơ hình đánh giá mơ hình Cũng khơng có ngạc nhiên nhà cung cấp giải pháp bắt đầu giảm bớt độ phức tạp q trình phát triển mơ hình Máy học cách xếp lại cách hợp lý bước quy trình tự động hóa quy trình xây dựng mơ hình Phần lớn nhà cung cấp giải pháp tập trung nhiều vào chức “Máy học tự động” việc cung cấp công cụ mơ hình cấu hình sẵn để hỗ trợ nhiệm vụ khác quy trình phát triển mơ hình Máy học từ giai đoạn đầu đến giai đoạn cuối Một số nhà cung cấp giải pháp tích hợp phương pháp cho “Máy học tự động” 264 tự động tìm kiếm khơng gian nhiều mơ hình tiềm phù hợp với tập liệu có sẵn tự động lựa chọn mơ hình phù hợp với tiêu chí định nghĩa ban đầu, quy trình minh họa hình sau : Hình : Quy trình phát triển mơ hình Máy học Các phương pháp khơng loại trừ lẫn nhau, mơ hình Máy học tự động sử dụng chế độ thủ cơng để chuyển đổi qua lại nhằm công nhận kết xử lý Cả hai phương pháp hứa hẹn giúp tăng suất nhà khoa học liệu họ phát triển mơ hình Máy học phức tạp Tuy nhiên, phần lớn nhà cung cấp giải pháp tồn nhiều hạn chế việc xây dựng tính Máy học tự động, đặc biệt liệu chuỗi thời gian LỢI ÍCH CỦA MÁY HỌC TỰ ĐỘNG Các nhà khoa học liệu thường 19% thời gian để thu thập tập liệu, 60% thời gian để làm liệu tổ chức tập liệu Việc chuẩn bị liệu tốn thời gian làm cho nhà khoa học liệu cịn thời gian để giải tốn khó Máy học tự động thay đổi việc xây dựng sử dụng mơ hình Máy học dễ dàng hệ thống phát triển, điều giúp nhà khoa học liệu tổ chức tập trung vào toán phức tạp Khi xây dựng mơ hình máy học, nhà khoa học liệu thực bước theo kiểu truyền thống thu thập liệu thơ, phân tích lọc liệu thơ, lựa chọn thuật toán giải toán, huấn luyện điều chỉnh thuật toán, kiểm tra chức thuật toán để thu kết lặp lại quy trình đến tìm thuật tốn tốt Khi khơng tìm thuật tốn tốt để giải tốn, đội ngũ nhà khoa học liệu cần tìm thuật toán để sử dụng liệu có Nếu nhà khoa học liệu khơng có tảng chun mơn phù hợp không đánh giá kỹ thuật giải 265 toán liên quan đến nhiệm vụ giao, họ cần phải liên kết với nguồn lực khác nhà phát triển, nhà thiết kế nhà quản lý Việc tốn thời gian chi phí để thực hiện, vấn đề giải máy học tự động KẾT LUẬN Với số lượng lớn dòng liệu dùng cho phân tích để hỗ trợ mục tiêu kinh doanh đa dạng hơn, nhu cầu doanh nghiệp cần tập trung nhiều vào kết hoạt động kinh doanh tương lai với mức độ chi tiết khác nhau, ví dụ mức độ sản phẩm, cửa hàng thiết bị Sự trỗi dậy máy học tự động tạo áp lực to lớn lên nhiều tổ chức để cải thiện lực quản lý chuỗi thời gian phản ánh mặt khác quy trình kinh doanh, hành vi khách hàng quản lý tài sản doanh nghiệp để từ nhanh chóng xác định sai lệch so với tiêu chuẩn mà ảnh hưởng tiêu cực tới kết hoạt động kinh doanh bỏ sót hội Việc phân tích hữu nhiều ngành nghề khác ứng dụng chuỗi thời gian đối mặt với nhiều thuộc tính khác nhau, nhiều kiểu liệu khác nhau, nhiều liệu lịch sử liệu xuất liên tục Tuy nhiên phương pháp phân tích truyền thống thất bại nâng cao quy mô phạm vi ứng dụng lực yếu giả thuyết cịn hạn chế Các cơng cụ máy học mạnh mẽ nắm bắt nhiều đặc trưng giàu ý nghĩa mối liên kết biến chuỗi thời gian, ý nghĩa quan trọng cải thiện to lớn khả dự đoán giá trị tương lai chuỗi thời gian Trong khứ, phương pháp máy học thường có lực thiếu chun gia phân tích liệu có chun mơn có khả phát triển tối ưu mơ hình Sự đời công cụ máy học DataRobot Time Series hứa hẹn cải thiện to lớn khả tiếp cận công nghệ Máy học vào toán thực tế, loại bỏ mạnh mẽ hạn chế vốn có có lực dự đốn mạnh mẽ, xác tương lai Đối với doanh nghiệp, điều giúp họ hiểu biết sâu sắc kiểm sốt tốt vơ số hoạt động sử dụng liệu chuỗi thời gian Đối với nhà khoa học liệu, công cụ suất cao hỗ trợ hiệu việc giữ chân nguồn nhân lực có chun mơn tiếp tục đào tạo nguồn nhân lực rộng khắp Để làm điều này, chuyên gia phân tích liệu người dùng doanh nghiệp phải tập trung vào Chuỗi thời gian cách toàn diện, từ việc quản lý dòng liệu tăng tốc việc triển khai mơ hình Việc phân tích phải bao gồm : 266 Tập hợp tốn kinh doanh để phát triển tiến hóa theo thời gian Dữ liệu chuỗi thời gian thường không đánh giá đủ tầm quan trọng thường bị doanh nghiệp không quan tâm Trong đó, dự đốn kết tương lai ln dựa vào liệu lịch sử để hiểu hành vi hệ thống tương ứng với điều kiện thường xuyên thay đổi, nhiều toán kinh doanh phù hợp với toán sử dụng chuỗi thời gian Xây dựng chiến lược quản lý liệu để xác định, thâu tóm, truy cập liên kết tài sản liệu chuỗi thời gian có chất lượng cao cách hiệu sản xuất mơi trường phát triển Ngồi ra, sách cai trị liệu từ dòng liệu cần phải có tương thích với tốn tình phù hợp nhằm giúp việc xây dựng nâng cấp mơ hình diễn liên tục Xây dựng lực triển khai API tự động đóng gói sẵn để đảm bảo tính động khả mở rộng quy mô ứng dụng mô hình Máy học hệ thống khơng đồng Trí tuệ nhân tạo hướng liệu hiệu nhúng vào dịng cơng việc để thúc đẩy tự động định thời gian thực nhà quản lý quan tâm yêu cầu lúc nơi TÀI LIỆU THAM KHẢO [1] Martin Heller, Automated machine learning or AutoML explained, InfoWorld, 21/08/2019 [2] https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml [3] White paper, Moving from Business Intelligence to Machine Leaning with Automation, DataRobot [4] Hutter, Frank, Kotthoff, Lars, Vanschoren Joaquin, Automated Machine Learning, Springer, 2019 [5] Jonathan Krau, Bruno Machado Pacheco, Hanno Maximilian Zan, Robert Heinrich Schmitt, Automated Machine Learning for predictive quality in production, Elsevier, 2020 [6] Jonathan Waring, Charlotta Lindvall, Renato Umeton, Automated Machine Learning : Review of the state-of-the-art and oppotuinites for healthcare, Elsevier, 2020 267 Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt Báo cáo giải pháp công tác quản lý Mầm non tài liệu mầm non mẫu giáo Kỹ sống cho trẻ mầm non sáng kiến kinh nghiệm thư viện kiến thức tổng hợp mầm non mẫu giáo để chăm sóc ni dạy ngày tốt ... giải pháp tồn nhiều hạn chế việc xây dựng tính Máy học tự động, đặc biệt liệu chuỗi thời gian LỢI ÍCH CỦA MÁY HỌC TỰ ĐỘNG Các nhà khoa học liệu thường 19% thời gian để thu thập tập liệu, 60% thời. .. 60% thời gian để làm liệu tổ chức tập liệu Việc chuẩn bị liệu tốn thời gian làm cho nhà khoa học liệu thời gian để giải tốn khó Máy học tự động thay đổi việc xây dựng sử dụng mơ hình Máy học dễ... CỦA CHUỖI THỜI GIAN & CÁC ỨNG DỤNG Mọi hoạt động giới, người & thiên nhiên thay đổi theo thời gian Chuỗi thời gian định nghĩa chuỗi liệu thời điểm đánh dấu tạo thành mốc thời gian cách xa Phân tích