A scalable online machine learning approach for Stock Recommendation
यह शोध पत्र एक वितरित माइक्रोसर्विसेज आर्किटेक्चर पर निर्मित एक स्केलेबल, फॉल्ट-टोलरेंट ऑनलाइन डीप लर्निंग स्टॉक अनुशंसा प्रणाली प्रस्तुत करता है जो निरंतर प्रशिक्षण और कम-विलंबता (लो-लेटेंसी) सर्विंग के लिए एक हाइब्रिड लीडर-फॉलोअर मॉडल का उपयोग करता है, जिससे कॉन्सेप्ट ड्रिफ्ट और API डेटा स्टेलेनेस जैसी चुनौतियों का समाधान करते हुए उच्च थ्रूपुट प्राप्त होता 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 एक विशाल, अराजक बाज़ार के बीच से गुजर रहे हैं जहाँ हर एक वस्तु की कीमत हर सेकंड बदल रही है। कुछ वस्तुएं स्टॉक हैं, और लोग लगातार खरीद रहे हैं, बेच रहे हैं और अपनी पसंद बदल रहे हैं। कंप्यूटर विज्ञान की दुनिया में, यह मशीन लर्निंग का क्षेत्र है, विशेष रूप से एक शाखा जिसे ऑनलाइन लर्निंग कहा जाता है। पारंपरिक कंप्यूटरों के विपरीत जो एक बार एक विशाल पाठ्यपुस्तक पढ़ लेते हैं और फिर रुक जाते हैं, ऑनलाइन लर्निंग उस छात्र की तरह है जो हर सुबह समाचार पत्र पढ़ता रहता है, और दुनिया के बदलते साथ अपने ज्ञान को तुरंत अपडेट करता रहता है। यह स्टॉक मार्केट जैसी चीजों के लिए बहुत महत्वपूर्ण है क्योंकि खेल के "नियम" (क्या किसी स्टॉक को अच्छा बनाता है या बुरा) लगातार बदलते रहते हैं। यदि कोई कंप्यूटर मॉडल सीखने में बहुत अधिक समय लेता है, तो यह पिछले साल के मानचित्र के साथ फुटबॉल खेलने जैसा है; यह काम नहीं करेगा। वैज्ञानिकों के लिए बड़ी चुनौती एक ऐसा सिस्टम बनाने की है जो इन बदलावों के साथ तालमेल बिठाने के लिए पर्याप्त तेज़ी से सीख सके और साथ ही एक ही समय में हज़ारों लोगों से बिना क्रैश हुए बात भी कर सके।
हर्ष नगरकर का यह शोध पत्र इस समस्या का एक चतुर समाधान प्रस्तुत करता है: एक स्केलेबल ऑनलाइन स्टॉक रिकमेंडेशन सिस्टम। इस सिस्टम को एक विशाल कार्यालय भवन में काम करने वाली एक उच्च-तकनीकी, वितरित (डिस्ट्रीब्यूटेड) स्टॉक सलाहकारों की टीम के रूप में समझें। टीम दो भूमिकाओं में विभाजित है: एक "लीडर" (नेता) और कई "फॉलोअर्स" (अनुयायी)। लीडर ही एकमात्र है जिसे सीखने का भारी काम करने की अनुमति है। वह बाज़ार के डेटा स्ट्रीम को देखता है—जैसे एक बाज नए रुझान को पहचानता है—और नई जानकारी के साथ अपने मस्तिष्क (गणितीय मॉडल) को लगातार अपडेट करता है। एक बार जब लीडर एक नई रणनीति तैयार कर लेता है, तो वह उन नए निर्देशों को जल्दी से एक साझा क्लाउड नोटबुक में लिख देता है। दूसरी ओर, फॉलोअर्स वे हैं जो वास्तव में उपयोगकर्ताओं से बात करते हैं। वे कोई सीखना नहीं करते; वे बस क्लाउड नोटबुक से नवीनतम निर्देश लेते हैं और तुरंत उपयोगकर्ता को बताते हैं, "हे, आपकी पसंद के आधार पर, आपको यह स्टॉक खरीदना चाहिए।"
शोध पत्र में पाया गया है कि यह "लीडर-फॉलोअर" सेटअप आश्चर्यजनक रूप से अच्छा काम करता है। यह सिस्टम भारी मात्रा में ट्रैफ़िक को संभाल सकता है, प्रत्येक फॉलोअर के लिए प्रति सेकंड 300 पोर्टफोलियो एडिशन अनुरोधों को प्रोसेस कर सकता है। जब कोई उपयोगकर्ता सिफारिश मांगता है, तो सिस्टम केवल 2-3 सेकंड में उसे प्रदान कर देता है। मॉडल स्वयं आश्चर्यजनक रूप से सरल है, जिसे एक अनुमान लगाने के लिए केवल पाँच जानकारियों की आवश्यकता होती है: स्टॉक का नाम, उसकी वर्तमान कीमत, उसका प्रति शेयर आय (EPS), और दो तकनीकी संकेतक जिन्हें MACD-K और MACD-S कहा जाता है। "ट्रांसफर लर्निंग" नामक तकनीक का उपयोग करके, सिस्टम उपयोगकर्ता की बदलती पसंद (जैसे कि यदि वे अचानक अधिक जोखिम-विमुख हो जाते हैं) के अनुकूल हो सकता है, बिना पूरी तरह से दोबारा बनाए।
हालाँकि, शोध पत्र सावधानीपूर्वक यह स्पष्ट करता है कि यह कोई जादुई पैसा बनाने वाली मशीन नहीं है। इस सिस्टम की कुछ वास्तविक दुनिया की सीमाएँ हैं। चूंकि डेटा एक विशिष्ट API सेवा से आता है, इसलिए जानकारी हमेशा ताज़ा नहीं होती; डेटा अपडेट होने से पहले 150 मिनट तक पुराना हो सकता है। इसका मतलब है कि सिस्टम जिस "मार्केट मैप" का उपयोग कर रहा है, वह थोड़ा पुराना हो सकता है। इसके अलावा, सिस्टम में वर्तमान में कुछ उन्नत सुरक्षा स्तरों की कमी है, जैसे कि एक "सर्विस मेश", जो कंप्यूटर सर्वरों के बीच आंतरिक बातचीत के लिए एक सुरक्षित गार्ड की तरह कार्य करेगा। लेखक सुझाव देते हैं कि हालांकि यह आर्किटेक्चर एक ठोस, कामकाजी प्रोटोटाइप है जो गति और सीखने के बीच संतुलन बनाता है, भविष्य के संस्करणों को डेटा फीड को तेज़ करने और वास्तविक दुनिया के लिए तैयार होने के लिए अधिक सुरक्षा जोड़ने की आवश्यकता है। अंततः, शोध पत्र सुझाव देता है कि "सीखने" वाले हिस्से को "बात करने" वाले हिस्से से अलग करना ऐसे सिस्टम बनाने का एक स्मार्ट तरीका है जो टूटे बिना बढ़ सकें और अनुकूलित हो सकें।
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।