A Predict-then-Correct Loop Based on Few-Shot Continuous Contextual Bandit for Demand Forecasting
यह शोध पत्र एक "प्रेडिक्ट-देन-करेक्ट" (पूर्वानुमान-फिर-सुधार) ढांचे का प्रस्ताव करता है जो रिटेल मांग पूर्वानुमान की सटीकता में सुधार करने और इन्वेंट्री लागत को कम करने के लिए एक स्टैटिक मशीन लर्निंग पूर्वानुमान को कुछ-शॉट (फ्यू-शॉट) कंटीन्यूअस कॉन्टेक्स्टुअल बैंडिट करेक्शन पॉलिसी के साथ जोड़ता है, विशेष रूप से उन परिदृश्यों में जहाँ लेबल विरल (स्पार्स) हैं और मांग के पैटर्न तेजी से बदल रहे हैं।
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 आपके स्कूल की वार्षिक बेक सेल (bake sale) में कितने लोग आएंगे। आपके पास एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम है जो पिछले साल के डेटा, मौसम के पूर्वानुमान और कप केक की कीमत को देखकर एक भविष्यवाणी करता है। इसे वैज्ञानिक "डिमांड फोरकास्टिंग" (मांग का पूर्वानुमान) कहते हैं, और यही दुकानों को सही मात्रा में सामान से लैस रखने की रीढ़ है। लेकिन यहाँ एक पेचीदा बात है: क्या होगा अगर इस साल सब कुछ बिल्कुल अलग हो? शायद कोई नया वायरल ट्रेंड किसी खास फ्लेवर की मांग बढ़ा दे, या अचानक आई बारिश लोगों को घर पर ही रहने पर मजबूर कर दे। पुराना कंप्यूटर प्रोग्राम, जिसे पिछले साल के उबाऊ डेटा पर प्रशिक्षित किया गया था, यह अभी तक नहीं जानता। यह एक ऐसे जीपीएस (GPS) की तरह है जिसे नए सड़क अवरोधों के साथ अपडेट नहीं किया गया है; यह आपको सीधे दीवार में गाड़ी चलाने के लिए कहता रहता है।
रिटेल (खुदरा) की दुनिया में, यह एक बहुत बड़ी समस्या है। दुकानों के पास लाखों अलग-अलग आइटम होते हैं (जैसे सोडा के अलग-अलग फ्लेवर या जूतों के अलग-अलग साइज), और कभी-कभी बिना किसी पुराने इतिहास वाले नए आइटम भी आ जाते हैं। यदि दुकान गलत अनुमान लगाती है, तो या तो उनके पास उत्पाद खत्म हो जाते हैं (नाराज ग्राहक) या उनके पास शेल्फ पर बहुत अधिक सामान पड़ा रह जाता है (बर्बाद पैसा)। पारंपरिक रूप से, एक गलत अनुमान को ठीक करने के लिए, आपको सब कुछ रोकना होगा, कंप्यूटर को ढेर सारा नया डेटा देना होगा, और इसे शुरू से फिर से प्रशिक्षित करना होगा। लेकिन इसमें बहुत समय लगता है। जब तक कंप्यूटर सीख जाता है, तब तक शायद वह ट्रेंड खत्म भी हो चुका होता है। यह शोध एक स्मार्ट तरीके की खोज करता है जिससे इन आश्चर्यों को बिना "रीसेट" बटन दबाए संभाला जा सके।
इस अध्ययन के पीछे के शोधकर्ताओं—ज़िवेई लेई, बेनेडिक्ट जुन मा और इल्या जैक्सन—ने एक चतुर दो-चरणीय तकनीक प्रस्तावित की है जिसे वे "प्रेडिक्ट-देन-करेक्ट" (Predict-then-Correct - भविष्यवाणी करें फिर सुधारें) कहते हैं। इसे एक अनुभवी शेफ (पहला कंप्यूटर मॉडल) की तरह समझें जो एक क्लासिक रेसिपी के आधार पर एक बेहतरीन बेस सूप बनाता है। फिर, ग्राहक द्वारा "थोड़ा और मसाला" मांगने पर सूप को फेंकने और फिर से शुरू करने के बजाय, आपके पास एक फुर्तीला सहायक शेफ (करेक्शन सिस्टम) होता है जो सूप को चखता है और वास्तविक समय में उसमें नमक या काली मिर्च की बिल्कुल सही मात्रा जोड़ देता है।
यहाँ उनका "सहायक शेफ" कैसे काम करता है। सबसे पहले, मुख्य कंप्यूटर मॉडल इस बारे में अपना सबसे अच्छा अनुमान लगाता है कि लोग किसी उत्पाद के बारे में कितना खरीदेंगे। इसके बाद, एक विशेष "कॉन्टेक्स्टुअल बैंडिट" (contextual bandit) सिस्टम हस्तक्षेप करता है। "कॉन्टेक्स्टुअल" का अर्थ है कि यह वर्तमान स्थिति को देखता है (क्या यह कोई छुट्टी का दिन है? क्या यह वीकेंड है?) और "बैंडिट" एक सीखने वाली प्रणाली का फैंसी नाम है जो अलग-अलग क्रियाएं आज़माती है और देखती है कि कौन सी क्रिया सफल होती है। इस मामले में, "क्रिया" शेफ की भविष्यवाणी को ऊपर या नीचे समायोजित करना है। सिस्टम एक छोटा सा समायोजन करता है, देखता है कि क्या वास्तविक बिक्री इससे बेहतर मेल खाती है, और यदि वह सही था तो उसे एक "रिवॉर्ड" (पुरस्कार) मिलता है। यदि वह गलत था, तो वह सीखता है कि दोबारा ऐसा न करे।
असली जादू तब होता है जब सीखने के लिए बहुत कम डेटा होता है, जैसे जब कोई बिल्कुल नया उत्पाद लॉन्च किया जाता है। आमतौर पर, कंप्यूटर भ्रमित हो जाते हैं और केवल कुछ नए नंबरों से सीखने की कोशिश करते समय वह जो कुछ भी पहले जानते थे उसे भूल जाते हैं। यह पेपर एक "फ्यू-शॉट" (few-shot) रणनीति का सुझाव देता है, जो एक ऐसे छात्र को सिखाने जैसा है जिसे केवल कुछ अभ्यास प्रश्न दिए गए हों। इसे काम करने के लिए, सिस्टम अन्य उत्पादों को देखता है जो नए उत्पाद के समान हैं (जैसे एक नए स्पाइसी सोडा की तुलना पुराने स्पाइसी सोडा से करना) ताकि कुछ सुराग उधार लिए जा सकें। यह एक "टॉप-पी मास्कड अपडेट" (Top-p masked update) नियम का भी उपयोग करता है। कल्पना कीजिए कि कंप्यूटर के मस्तिष्क में हजारों नॉब्स (knobs/बटन) हैं। एक साथ सभी नॉब्स घुमाने के बजाय (जिससे मशीन टूट सकती है), यह नियम केवल उन छोटे, संवेदनशील नॉब्स को घुमाता है जिन्हें थोड़े से बदलाव की आवश्यकता होती है, जबकि उन बड़े, महत्वपूर्ण नॉब्स को वैसे ही रहने देता है जो मुख्य ज्ञान को थामे हुए हैं। यह कंप्यूटर को अतीत में सीखी गई चीजों को "भूलने" से रोकता है।
टीम ने वॉलमार्ट और एक प्रमुख पेय कंपनी के वास्तविक डेटा का उपयोग करके इस विचार का परीक्षण किया। उन्होंने पाया कि उनका "प्रेडिक्ट-देन-करेक्ट" लूप एक स्पष्ट विजेता था। विभिन्न प्रकार के उत्पादों में—चाहे वे बहुत अधिक स्थिर आइटम बेच रहे हों, कुछ स्थिर आइटम बेच रहे हों, या अजीब, अप्रत्याशित आइटम बेच रहे हों—नए तरीके ने भविष्यवाणी की त्रुटियों को काफी कम कर दिया। एक परीक्षण में, इसने मूल कंप्यूटर मॉडल की तुलना में औसत सटीकता में 9.52% का सुधार किया। इससे भी महत्वपूर्ण बात यह है कि जब उन्होंने इन बेहतर अनुमानों का उपयोग यह तय करने के लिए किया कि कितना स्टॉक ऑर्डर करना है, तो दुकानों ने अतिरिक्त इन्वेंट्री रखने या खाली शेल्फ के कारण बिक्री खोने पर कम पैसा खर्च किया।
पेपर स्पष्ट रूप से इस विचार का विरोध करता है कि आपको हर बार बाजार बदलने पर अपने मॉडल्स को पूरी तरह से फिर से प्रशिक्षित करने की आवश्यकता है, या सुधार करने के लिए आपको भारी मात्रा में नए डेटा की आवश्यकता है। वे यह भी दिखाते हैं कि यदि सावधानी से यह न देखा जाए कि आप मॉडल को कैसे अपडेट कर रहे हैं, तो केवल एक रिइन्फोर्समेंट लर्निंग लेयर जोड़ने से चीजें वास्तव में खराब हो सकती हैं, जिससे अस्थिरता आ सकती है। इसके बजाय, उनके निष्कर्ष बताते हैं कि एक हल्का, अनुकूलनीय लेयर जो मौजूदा पूर्वानुमान में वास्तविक समय में बदलाव करता है, सबसे सटीक तरीका है। यह अतीत के धीमे, भारी सीखने और वर्तमान की तेज़, अराजक वास्तविकता के बीच के अंतर को पाटता है, यह साबित करते हुए कि कभी-कभी भविष्यवाणी को ठीक करने का सबसे अच्छा तरीका फिर से शुरू करना नहीं, बल्कि फीडबैक को सुनना और डायल को एडजस्ट करना है।
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।