Conjugating Variational Inference for Large Mixed Multinomial Logit Models and Consumer Choice
यह शोध पत्र बड़े मिश्रित बहुपद लॉजिट (मल्टीनोमियल लॉजिट) मॉडलों के अनुमान के लिए एक नई, स्केलेबल बेयसियन वेरिएशनल इन्फरेंस विधि प्रस्तावित करता है, जो रैंडम गुणांकों के गॉसियन सन्निकटन को कुशलतापूर्वक अपडेट करके कार्य करता है, और सिमुलेशन तथा विषम उपभोक्ता पास्ता विकल्पों के एक वास्तविक अनुप्रयोग के माध्यम से मौजूदा दृष्टिकोणों पर अपने उत्कृष्ट प्रदर्शन को प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक ग्राहक किराने की दुकान से क्या खरीदेगा। आपके पास सैकड़ों अलग-अलग स्टोरों के लाखों लेनदेन वाली एक विशाल नोटबुक है।
समस्या यह है कि हर कोई अलग है।
- कुछ लोग कीमत के प्रति बहुत संवेदनशील होते हैं; यदि पास्ता का कोई ब्रांड सेल पर जाता है, तो वे तुरंत ब्रांड बदल देते हैं।
- अन्य लोग कीमत की बिल्कुल परवाह नहीं करते; वे बस अपना पसंदीदा ब्रांड खरीदते रहते हैं, चाहे जो भी हो।
- कुछ लोगों की पसंद बड़े शहरों के लोगों से अलग होती है।
डेटा साइंस की दुनिया में, इसे हेटरोजीनिटी (Heterogeneity) कहा जाता है। इस मॉडल को दर्शाने के लिए, सांख्यिकीविद् (statisticians) एक उपकरण का उपयोग करते हैं जिसे मिक्स्ड मल्टीनोमियल लोगिट (Mixed Multinomial Logit - MMNL) मॉडल कहते हैं। इस मॉडल को एक विशाल, लचीली मशीन के रूप में सोचें जो आपके डेटासेट के हर एक स्टोर के लिए एक अनूठी "व्यक्तित्व" (personality) सीखने की कोशिश करती है।
समस्या: मशीन बहुत भारी है
इन मॉडलों के साथ समस्या यह है कि ये अविश्वसनीय रूप से भारी होते हैं।
- यदि आपके पास 10 लाख खरीदारी के ट्रिप और 381 स्टोर हैं, तो मशीन को हर एक स्टोर के लिए एक अनूठा "व्यक्तित्व" (रैंडम गुणांकों का एक सेट) की गणना करनी पड़ती है।
- इन्हें हल करने के पारंपरिक तरीके ऐसे हैं जैसे चम्मच से पहाड़ हिलाने की कोशिश करना। वे सटीक तो हैं लेकिन उन्हें चलने में बहुत लंबा समय (हफ्तों या महीनों) लगता है।
- तेज़ तरीके भी मौजूद हैं, लेकिन वे एक बड़े हथौड़े (सledgehammer) की तरह हैं: वे तेज़ तो हैं, लेकिन अक्सर वे बारीकियों को तोड़ देते हैं, जिससे स्टोरों के बीच के सूक्ष्म अंतर छूट जाते हैं।
समाधान: "कंजुगेटिंग" वेरिएशनल इन्फरेंस (CVI)
इस शोध पत्र के लेखकों ने इस मशीन को चलाने का एक नया तरीका ईजाद किया है, जिसे वे कंजुगेटिंग वेरिएशनल इन्फरेंस (CVI) कहते हैं।
इसे समझने के लिए यहाँ एक सादृश्य (analogy) दिया गया है:
1. पुराना तरीका (डेटा ऑग्मेंटेशन - Data Augmentation):
कल्पना कीजिए कि आप 10,000 अलग-अलग शहरों में मौसम का अनुमान लगाने की कोशिश कर रहे हैं। पुराना तरीका कहता है, "आइए शहर A के लिए मौसम का अनुमान लगाएं, फिर शहर B के लिए, फिर शहर C के लिए..." और यह एक ही समय में हर एक शहर के लिए इसे पूरी तरह से करने की कोशिश करता है। यह इसलिए अटक जाता है क्योंकि यह एक साथ 10,000 पहेलियों को हल करने की कोशिश कर रहा है।
2. "एमोर्टाइज्ड" तरीका (न्यूरल नेटवर्क - Neural Networks):
एक अन्य तरीका कहता है, "आइए एक रोबोट बनाएं जो डेटा को देखे और एक साथ सभी शहरों के लिए मौसम का अनुमान लगाए।" यह तेज़ है, लेकिन यदि रोबary ने पहले कभी उस विशेष प्रकार के शहर को नहीं देखा है, तो वह गलत अनुमान लगा सकता है क्योंकि वह बहुत सामान्य होने की कोशिश कर रहा है।
3. नया तरीका (CVI - "स्मार्ट स्केच"):
लेखकों का नया तरीका एक बैच में काम करने वाले स्केच आर्टिस्ट (चित्रकार) की तरह है।
- हर व्यक्ति का एक सटीक, फोटो-यथार्थवादी चित्र बनाने की कोशिश करने के बजाय (जिसमें बहुत समय लगता है), कलाकार एक "सर्वश्रेष्ठ अनुमान" के आधार पर एक त्वरित, कच्चा स्केच बनाता है कि वह व्यक्ति कैसा दिखता है।
- फिर, वे उस स्केच को बेहतर बनाने के लिए एक विशेष तकनीक (सेकंड-ऑर्डर टेलर एक्सपेंशन, जो केवल एक फैंसी गणितीय तरीका है जिसका अर्थ है "डेटा के अनुकूल एक चिकनी वक्र रेखा खींचना") का उपयोग करते हैं।
- महत्वपूर्ण बात यह है कि वे हर बार पूरे स्केच को शुरू से नहीं बनाते हैं। वे समय-समय पर स्केच के "केंद्र" को अपडेट करते हैं। यह उन्हें मिनटों में लाखों लोगों को प्रोसेस करने की अनुमति देता है, न कि महीनों में।
वे इसे "कंजुगेटिंग" कहते हैं क्योंकि यह एक गणितीय शॉर्टकट (conjugacy) का उपयोग करता है जो गणित को पूरी तरह से संरेखित (align) करता है, जिससे कंप्यूटर कठिन और धीमे कैलकुलेशन को छोड़ सकता है।
उन्होंने क्या पाया? (पास्ता की कहानी)
इसका परीक्षण करने के लिए, उन्होंने एक अमेरिकी ग्रोसरी चेन के पास्ता बिक्री के एक विशाल डेटासेट का अध्ययन किया।
- परिणाम: उनकी नई विधि बहुत तेज़ थी (मॉडल को दिनों के बजाय लगभग 2 घंटे में फिट करना) और पुराने तरीकों की तुलना में अधिक सटीक थी।
- अंतर्दृष्टि (Insight): उन्होंने पाया कि स्टोरों के बीच सबसे बड़ा अंतर पास्ता के प्रकार (स्पैगेटी बनाम मैकरोनी) का नहीं था, बल्कि ब्रांड का था। विभिन्न स्टोरों के लोगों की विशिष्ट ब्रांडों (जैसे बैरिला बनाम प्राइवेट लेबल) के लिए बहुत मजबूत और अनूठी प्राथमिकताएं थीं।
- "बंडल" का आश्चर्य: उन्होंने यह भी देखा कि लोग पास्ता और पास्ता सॉस एक साथ कब खरीदते हैं।
- अपेक्षा: आप सोचेंगे कि लोग पास्ता और सॉस अक्सर एक साथ खरीदते हैं।
- वास्तविकता: डेटा ने दिखाया कि लोग एक ही ट्रिप में शायद ही कभी दोनों खरीदते हैं। क्यों? क्योंकि पास्ता लंबे समय तक चलता है, लेकिन सॉस जल्दी खत्म हो जाता है। लोग उन्हें अलग-अलग समय पर फिर से स्टॉक करते हैं।
- नया मॉडल इस सूक्ष्म "इन्वेंट्री व्यवहार" को पकड़ने में स्मार्ट था, जबकि सरल मॉडल इसे मिस कर गए।
यह क्यों मायने रखता है?
यह शोध पत्र ऐसा है जैसे किसी डेटा साइंटिस्ट को उसकी कार के लिए एक टर्बो-चार्ज्ड इंजन दे दिया गया हो।
- पहले, यदि आप समझना चाहते थे कि लाखों लोग कैसे चुनाव करते हैं (पास्ता खरीदने से लेकर उड़ान या डॉक्टर चुनने तक), तो आपको गति (जल्दी एक रफ उत्तर प्राप्त करना) या सटीकता (धीरे से एक सटीक उत्तर प्राप्त करना) में से किसी एक को चुनना पड़ता था।
- अब, इस नए "CVI" तरीके के साथ, आप दोनों पा सकते हैं। आप विशाल, जटिल डेटासेट का तेजी से विश्लेषण कर सकते हैं और इस बारे में अत्यधिक सटीक अंतर्दृष्टि प्राप्त कर सकते हैं कि विभिन्न समूह कैसे व्यवहार करते हैं।
संक्षेप में, उन्होंने कंप्यूटर को एक मानव खरीदार की तरह "सोचना" सिखाने का एक तरीका खोजा है—यह समझना कि हर कोई अद्वितीय है—बिना गणित करने में पूरा जीवन बिताए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।