Tahmin ufku ve karar sözleşmesi
Bir sonraki 15 dakikanın yükü, ertesi günün tüketimi ve gelecek ayın kapasitesi farklı görevlerdir. Tahmin sıklığı, ileriye bakış süresi, güncelleme saati ve kullanılacak karar tanımlanır. Aynı veri kümesinin farklı ufuklarda farklı başarı göstermesi beklenir; kısa dönem başarısı uzun dönem için otomatik kanıt sayılmaz.
Tahmini kullanan ekip hangi hata yönünden daha çok etkilenir? Eksik kapasite ve fazla stok maliyetleri eşit olmayabilir. Bu ayrım yalnızca raporun sonunda anlatılmaz; başarı ölçütüne ve karşılaştırma yöntemine yansıtılır. Çıktının nokta tahmini mi yoksa aralık mı olacağı karar sürecine göre belirlenir.
Gelecek bilgisi modele nasıl sızar?
Gün sonunda kesinleşen üretim miktarı sabah tahminine girdi yapılamaz. Geleceği içeren hareketli ortalama, bütün veri üzerinden hesaplanmış ölçekleme veya sonradan düzeltilmiş sayaç kaydı test sonucunu yapay biçimde yükseltebilir. Her özelliğin olay zamanı yanında erişilebilir olduğu zaman da tutulur. Sonradan gelen revizyonların geçmiş simülasyonu bozması engellenir.
Veri ayrımı zamana göre ilerler; eğitim, ayar ve nihai test dönemleri ayrılır. Aynı müşterinin veya cihazın kayıtları üzerinden yapılan deneyde genelleme hedefi de açıklanır. Mevcut sahada yarını tahmin etmek ile hiç görülmemiş yeni sahaya model taşımak aynı test değildir. Her iki iddia için ayrı deney gerekir.
İlerleyen zaman pencereleriyle karşılaştırma
Değerlendirme tek bir rastgele test parçasına dayanmaz. Model belirli bir tarihe kadar eğitilir, sonraki pencereyi tahmin eder, ardından tarih ileri alınır. Son değeri kullanma veya önceki haftanın aynı saatini alma gibi basit referanslar aynı pencerelerde çalıştırılır. Karmaşık modelin kazancı bu referanslara göre ve dönemler arasındaki değişimiyle raporlanır.
Örneğin varsayımsal üç dönemde referans MAE değerleri 8, 10 ve 12; aday değerleri 7, 9 ve 11 olsun. Eşit ağırlıklı ortalama hata 10'dan 9'a iner; bağıl iyileşme %10'dur. Bu hesap güven aralığı veya yeni saha başarısı vermez. Dönem sayısı, örnek sayıları ve olay bağımlılığı sonuç yorumuna ayrıca eklenir.
Tek hata oranı neden yetmez?
MAE tipik mutlak hatayı, RMSE büyük hatalara daha duyarlı bir görünümü verir. Gerçek değer sıfıra yaklaştığında yüzde hatası kararsızlaşabilir. Pik saatler, düşük yük ve bakım sonrası dönemler ayrı incelenir. Bir hata ölçütünün iyileşmesi, tüm kritik saatlerde daha iyi sonuç üretildiğini göstermez.
Tahmin aralığında hem kapsama hem genişlik ölçülür. Her gözlemi içine alan çok geniş aralık karar vermeyi kolaylaştırmayabilir. Aralık yönteminin bağımlı zaman serisindeki varsayımları belirtilir; sadece gözlenen kapsama üzerinden gelecekte kesin olasılık sözü verilmez. Kritik hatalar için veri ve işletme bağlamına geri dönülür.
Tahminin üretildiği anı yeniden canlandırmak
Geçmişe dönük deney, bugünün düzeltilmiş veri tabanını doğrudan kullanmamalıdır. Tahmin tarihinde bilinen kayıt sürümü yeniden oluşturulur; gecikmeli etiket ve revizyonlar bu tarihten sonraysa girdiye alınmaz. Kullanılan ölçekleme ve özellik seçimi de yalnızca eğitim penceresinde öğrenilir. Özelliklerin olay zamanı kadar erişilebilirlik zamanı tutulmadığında bu deneyi doğru yapmak zorlaşır. Veri mühendisliği böylece model araştırmasının ön koşulu olur; daha karmaşık algoritma bu eksik kaydı telafi edemez.
Farklı ufuklar ve dönemler için sonuç tablosu hazırlanır. Her satırda referans yöntem, aday model, örnek sayısı ve veri dışlamaları bulunur. Aday yalnızca bazı dönemlerde kazanıyorsa koşullar araştırılır; bütün dönemleri kapsayan tek bir iyileşme yüzdesiyle bu fark gizlenmez. Yeniden eğitim kararı aynı deney düzeniyle sınanır. Gerçekleşen sonuçların geç geldiği uygulamalarda izleme ve karar gecikmesi ayrıca belirtilir; henüz etiketi gelmemiş tahminlere doğruluk puanı atanmaz.
| Deney | Ölçüm | Yorum sınırı |
|---|---|---|
| Tarihsel veri görünümü | Özellik erişilebilirliği | Sonradan gelen bilgi dışarıda |
| İlerleyen test pencereleri | Ufuk ve dönem bazında hata | Tek dönem sonucu genellenmez |
| Dağılım değişikliği | Etiket geldikten sonra hata | Sapma otomatik başarısızlık değildir |
Model sapması, yeniden eğitim ve araştırma çıktıları
Ürün karması, sensör değişimi veya çalışma düzeni modeli eskitebilir. Girdi dağılımı, veri gecikmesi ve gerçekleşen hata ayrı izlenir. Dağılım değişimi tek başına yeniden eğitim emri değildir; etiketler geldikten sonra performans kaybı ve olası nedenler değerlendirilir. Yeni model önce önceki sürümle aynı kabul testinden geçer.
Çıktılar; özelliklerin erişilebilirlik envanteri, sürümlü deney düzeni, dönemsel karşılaştırma, hata dilimleri ve devreye alma eşiğini içerebilir. Gokbilge Tech araştırmayı veri mühendisliği ve işletim geri bildirimiyle birlikte yürütür. Her projede model ailesi, süre ve hedef hata değeri veri incelemesinden sonra belirlenir.
Teknik kaynaklar
Araştırma probleminizi birlikte tanımlayalım.
Teknik ihtiyacınızı paylaşın →
