A Mathematical Pre‑Screening Framework for Training‑Free Model Selection in Time‑Series Cashflow Forecasting

लघु और मध्यम आकार के व्यवसाय आधुनिक अर्थव्यवस्थाओं के इंजन हैं, फिर भी वे एक ऐसी नाजुक स्थिति में काम करते हैं जहाँ एक भी विलंबित भुगतान उनके पतन का कारण बन सकता है। इन कंपनियों के लिए, पैसा कब आएगा इसका पूर्वानुमान लगाना केवल एक लेखांकन अभ्यास नहीं है; यह अस्तित्व का मामला है। चुनौती स्वयं डेटा में निहित है। डेटा वैज्ञानिकों की समर्पित टीमों वाले विशाल निगमों के विपरीत, लघु व्यवसाय मालिकों के पास अक्सर सीमित ऐतिहासिक रिकॉर्ड, अव्यवस्थित जानकारी और परीक्षण-त्रुटि (ट्रायल-एंड-एरर) प्रयोगों के लिए समय का अभाव होता है। उन्हें यह जानने की आवश्यकता है कि कौन सा कंप्यूटर प्रोग्राम उनके कैश फ्लो (नकदी प्रवाह) का पूर्वानुमान लगाने के लिए सबसे अच्छा है, लेकिन मशीन लर्निंग की दुनिया दर्जनों विकल्पों से भरी है, जो सरल, पारदर्शी सूत्रों से लेकर जटिल, अपारदर्शी प्रणालियों तक फैली हुई है जो 'ब्लैक बॉक्स' की तरह कार्य करती हैं। केंद्रीय दुविधा यह है कि कोई भी एक एल्गोरिदम हर स्थिति के लिए सर्वश्रेष्ठ नहीं होता। एक ऐसा टूल जो स्वच्छ और विशाल डेटासेट के साथ उत्कृष्ट प्रदर्शन करता है, वह एक छोटी दुकान के विशिष्ट शोर वाले और विरल रिकॉर्ड के साथ बुरी तरह विफल हो सकता है। इसके अलावा, एक प्रबंधक जिसे कोडिंग की समझ नहीं है, उसे उस भविष्यवाणी पर भरोसा करने की आवश्यकता होती है, जिसका अर्थ है कि मॉडल को केवल सटीक ही नहीं, बल्कि व्याख्या योग्य (एक्सप्लेनेबल) भी होना चाहिए।

अली नबीज़ादेह लैमरी नामक एक शोधकर्ता ने इस समस्या को हल करने के लिए एक नया तरीका प्रस्तावित किया है, जो हर संभावित मॉडल को तब तक परखने की पारंपरिक पद्धति से अलग है जब तक कि कोई एक काम न कर जाए। महंगी कंप्यूटर सिमुलेशन चलाने के बजाय कि क्या होता है यह देखने के लिए, यह अध्ययन एक गणितीय प्री-स्क्रीनिंग फ्रेमवर्क पेश करता है। यह दृष्टिकोण मॉडल चयन को एक 'मैचिंग गेम' (मिलान के खेल) के रूप में देखता है। यह उपयोगकर्ता को अपनी विशिष्ट स्थिति का वर्णन करने के लिए कहता है: उनके पास कितना डेटा है, उनका डेटा कितना शोर वाला या अव्यवस्थित है, रिकॉर्ड कितने विस्तृत हैं, सूचना बिंदुओं और डेटा प्रविष्टियों का अनुपात क्या है, और सबसे महत्वपूर्ण बात, निर्णय लेने वाले व्यक्ति की तकनीकी विशेषज्ञता कितनी है। इन पांच कारकों को फिर चार विशिष्ट आवश्यकताओं में अनुवादित किया जाता है: मॉडल को कितना समझने योग्य होना चाहिए, इसे त्रुटियों को कितनी अच्छी तरह संभालना चाहिए, इसे कितनी तेजी से चलना चाहिए, और इसे किन जटिल पैटर्न को खोजने की आवश्यकता है।

यह फ्रेमवर्क इन आवश्यकताओं की तुलना पांच विभिन्न मशीन लर्निंग मॉडलों के पूर्व-निर्धृत प्रोफाइल के विरुद्ध करके कार्य करता है। ये प्रोफाइल प्रत्येक एल्गोरिदम की ज्ञात शक्तियों और कमजोरियों पर आधारित हैं, जैसे कि क्या कोई मॉडल स्वाभाविक रूप से एक सरल समीकरण की तरह पारदर्शी है या एक जटिल न्यूरल नेटवर्क है जिसे व्याख्या करने के लिए अतिरिक्त उपकरणों की आवश्यकता होती है। सिस्टम वास्तविक डेटा पर मॉडल को प्रशिक्षित किए बिना ही प्रत्येक उम्मीदवार के लिए एक 'कंपैटिबिलिटी स्कोर' (अनुकूलता स्कोर) की गणना करता है। यह केवल व्यवसाय के संदर्भ और एल्गोरिदम की अंतर्निहित क्षमताओं के बीच मिलान को देखता है। यदि कोई लघु व्यवसाय मालिक जिसका कोई तकनीकी बैकग्राउंड नहीं है और जिसके पास अव्यवस्थित डेटा है, तो फ्रेमवर्क एक सरल, अत्यधिक व्याख्या योग्य मॉडल की सिफारिश कर सकता है। यदि किसी तकनीकी विशेषज्ञ के पास एक बड़ा, जटिल डेटासेट है, तो सिस्टम अपनी सिफारिश को एक अधिक शक्तिशाली, जटिल एल्गोरिदम की ओर मोड़ देता है जो सूक्ष्म पैटर्न खोज सकता है, भले ही उसे समझाना कठिन हो।

इस विचार का परीक्षण करने के लिए, शोधकर्ता ने वास्तविक वित्तीय डेटा से दो अलग-अलग स्रोतों पर इस फ्रेमवर्क को लागू किया। एक डेटासेट में एक बड़ी फैक्टरिंग कंपनी के व्यक्तिगत चालान (इनवॉइस) रिकॉर्ड शामिल थे, जो कैश फ्लो के विस्तृत, लेनदेन-स्तरीय दृश्य का प्रतिनिधित्व करता था। दूसरा डेटासेट यूके सरकार से आया था, जिसमें हजारों कंपनियों के एकत्रित भुगतान व्यवहार शामिल थे, जो एक व्यापक, फर्म-स्तरीय दृश्य का प्रतिनिधित्व करता था। अध्ययन ने यह देखने के लिए कि क्या फ्रेमवर्क पूरी तरह से अलग प्रकार के वित्तीय डेटा को संभाल सकता है, 1.35 मिलियन से अधिक व्यक्तिगत ऋणों के एक विशाल डेटासेट का भी उपयोग किया। परिणामों ने दिखाया कि सटीकता के लिए "सर्वश्रेष्ठ" मॉडल डेटा के आधार पर बदल गया। विस्तृत इनवॉइस रिकॉर्ड के लिए, एक सरल लीनियर रिग्रेशन मॉडल एक जटिल न्यूरल नेटवर्क के समान ही अच्छा प्रदर्शन करता था, लेकिन सरल मॉडल को समझना मानव के लिए कहीं अधिक आसान था। एकत्रित कंपनी डेटा के लिए, न्यूरल नेटवर्क और रैंडम फॉरेस्ट जैसे जटिल मॉडल थोड़े बेहतर प्रदर्शन करते थे, लेकिन सिस्टम को अत्यधिक जटिल बनाने के जोखिम की तुलना में यह अंतर अक्सर नगण्य था।

महत्वपूर्ण रूप से, शोध ने इस बात पर प्रकाश डाला कि गैर-विशेषज्ञों के लिए व्याख्यात्मकता (इंटरप्रिटेबिलिटी) केवल एक 'अच्छा-से-हो' वाला फीचर नहीं है; यह एक कार्यात्मक आवश्यकता है। जब शोधकर्ता ने देखा कि विभिन्न मॉडल अपनी भविष्यवाणियों की व्याख्या कैसे करते हैं, तो जटिल न्यूरल नेटवर्क असंगत कहानियाँ देते थे। एक विधि कह सकती थी कि इलेक्ट्रॉनिक इनवॉइसिंग भुगतान की गति का मुख्य चालक था, जबकि दूसरी विधि ने अनुबंध की शर्तों की ओर संकेत किया। यह भ्रम एक प्रबंधक के विश्वास को कम कर सकता है। इसके विपरीत, जबकि लीनियर रिग्रेशन अपने गुणांकों (कोएफिशिएंट्स) के माध्यम से पूर्ण पारदर्शिता प्रदान करता है, रैंडम फॉरेस्ट मॉडल ने गैर-आईटी विशेषज्ञ प्रबंधकों के लिए विभिन्न परीक्षण विधियों में स्थिर, सुसंगत स्पष्टीकरण प्रदान किया, जिससे स्पष्ट हुआ कि अनुबंध की शर्तें भुगतान व्यवहार के प्राथमिक चालक थे। इस निरंतरता ने फ्रेमवर्क को ऐसे मॉडल की सिफारिश करने की अनुमति दी जो न केवल अच्छी भविष्यवाणी करते थे, बल्कि एक सुसंगत कहानी भी बताते थे जिस पर एक मानव कार्रवाई कर सके।

अध्ययन का तर्क है कि स्वचालित उपकरणों पर वर्तमान निर्भरता, जिन्हें घंटों के कंप्यूटर प्रशिक्षण की आवश्यकता होती है, संसाधन-सीमित व्यवसायों के लिए अव्यावहारिक है। ये उपकरण अक्सर ब्लैक बॉक्स की तरह कार्य करते हैं, जो यह बताए बिना कि यह क्यों चुना गया, एक सिफारिश प्रदान करते हैं। प्रस्तावित फ्रेमवर्क एक पारदर्शी विकल्प प्रदान करता है। यह एक प्रबंधक को अपनी स्थिति दर्ज करने और तुरंत एक न्यायसंगत सिफारिश प्राप्त करने की अनुमति देता है, बिना एक भी लाइन कोड लिखे या कंप्यूटर के प्रशिक्षण रन पूरा होने का इंतजार किए। शोध सुझाव देता है कि व्यवसाय के विशिष्ट संदर्भ को एल्गोरिदम की अंतर्निहित क्षमताओं के साथ जोड़कर, मालिक एक ऐसा मॉडल चुनने की महंगी गलती से बच सकते हैं जो या तो उपयोगी होने के लिए बहुत सरल है या भरोसे के लिए बहुत जटिल है। निष्कर्ष बताते हैं कि कई लघु व्यवसायों के लिए, सबसे मूल्यवान उपकरण वह नहीं है जिसमें उच्चतम सैद्धांतिक सटीकता हो, बल्कि वह है जो भविष्य कहने की शक्ति और दैनिक वित्तीय निर्णय लेने के लिए आवश्यक स्पष्टता के बीच संतुलन बनाता है।