પ્રિડિક્ટિવ એઆઈ શું છે?

આગાહી કરનાર AI ફેન્સી લાગે છે, પરંતુ આ વિચાર સરળ છે: ભૂતકાળના ડેટાનો ઉપયોગ કરીને અનુમાન લગાવો કે આગળ શું થશે. ગ્રાહકને જ્યારે મશીનને સેવાની જરૂર હોય ત્યારે કયા સ્થળેથી તે પહોંચી શકે છે, તે ઐતિહાસિક પેટર્નને ભવિષ્યલક્ષી સંકેતોમાં ફેરવવા વિશે છે. તે જાદુ નથી - તે ગણિત છે જે અવ્યવસ્થિત વાસ્તવિકતાને પૂર્ણ કરે છે, જેમાં થોડી સ્વસ્થ શંકા અને ઘણી બધી પુનરાવર્તનો છે.

નીચે એક વ્યવહારુ, સ્કિમેબલ સમજૂતી છે. જો તમે અહીં પ્રેડિક્ટિવ AI શું છે? અને તે તમારી ટીમ માટે ઉપયોગી છે કે કેમ તે અંગે વિચારીને આવ્યા છો, તો આ તમને એક જ બેઠકમાં હુ થી ઓહ-ઓકે સુધી લઈ જશે.☕️

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 તમારા વ્યવસાયમાં AI નો સમાવેશ કેવી રીતે કરવો
સ્માર્ટ બિઝનેસ વૃદ્ધિ માટે AI ટૂલ્સને એકીકૃત કરવા માટેના વ્યવહારુ પગલાં.

🔗 વધુ ઉત્પાદક બનવા માટે AI નો ઉપયોગ કેવી રીતે કરવો
અસરકારક AI વર્કફ્લો શોધો જે સમય બચાવે છે અને કાર્યક્ષમતા વધારે છે.

🔗 AI કૌશલ્ય શું છે?
ભવિષ્ય માટે તૈયાર વ્યાવસાયિકો માટે જરૂરી મુખ્ય AI ક્ષમતાઓ શીખો.

પ્રિડિક્ટિવ AI શું છે? એક વ્યાખ્યા 🤖

આગાહીત્મક AI આંકડાકીય વિશ્લેષણ અને મશીન લર્નિંગનો ઉપયોગ કરીને ઐતિહાસિક ડેટામાં પેટર્ન શોધે છે અને સંભવિત પરિણામોની આગાહી કરે છે - કોણ ખરીદે છે, શું નિષ્ફળ જાય છે, જ્યારે માંગ વધે છે. થોડા વધુ ચોક્કસ શબ્દોમાં કહીએ તો, તે નજીકના ભવિષ્ય વિશે સંભાવનાઓ અથવા મૂલ્યોનો અંદાજ કાઢવા માટે ML અલ્ગોરિધમ્સ સાથે ક્લાસિકલ આંકડાઓનું મિશ્રણ કરે છે. આગાહીત્મક વિશ્લેષણ જેવી જ ભાવના; અલગ લેબલ, આગળ શું આવશે તેની આગાહી કરવાનો સમાન વિચાર [5].

જો તમને ઔપચારિક સંદર્ભો, માનક સંસ્થાઓ અને તકનીકી માર્ગદર્શિકાઓ ગમે છે, તો ભવિષ્યના મૂલ્યોની આગાહી કરવા માટે સમય-ક્રમાંકિત ડેટામાંથી સંકેતો (વલણ, ઋતુ, સ્વતઃસંબંધ) કાઢવા માટે આગાહીને ફ્રેમ કરો [2].

શું આગાહીયુક્ત AI ઉપયોગી બનાવે છે ✅

ટૂંકો જવાબ: તે ફક્ત ડેશબોર્ડ જ નહીં, પણ નિર્ણયોને પણ ચલાવે છે. ચાર ગુણોમાંથી સારું

• કાર્યક્ષમતા - નકશાને આગળના પગલાં પર આઉટપુટ કરે છે: મંજૂરી આપો, રૂટ કરો, સંદેશ આપો, નિરીક્ષણ કરો.

• સંભાવના-જાગૃત - તમને માત્ર વાઇબ્સ જ નહીં, પણ માપાંકિત સંભાવનાઓ મળે છે [3].

• પુનરાવર્તિત - એકવાર ઉપયોગમાં લીધા પછી, મોડેલો સતત દોડે છે, એક શાંત સહકાર્યકરની જેમ જે ક્યારેય સૂતો નથી.

• માપી શકાય તેવું - લિફ્ટ, ચોકસાઇ, RMSE - તમે તેને કહો છો - સફળતા માત્રાત્મક છે.

ચાલો પ્રમાણિક રહીએ: જ્યારે આગાહીત્મક AI સારી રીતે કરવામાં આવે છે, ત્યારે તે લગભગ કંટાળાજનક લાગે છે. ચેતવણીઓ આવે છે, ઝુંબેશો પોતાને લક્ષ્ય બનાવે છે, આયોજકો ઇન્વેન્ટરી વહેલા ઓર્ડર કરે છે. કંટાળાજનક સુંદર છે.

ટૂંકી વાર્તા: આપણે મિડ-માર્કેટ ટીમોને એક નાનું ગ્રેડિયન્ટ-બૂસ્ટિંગ મોડેલ મોકલતા જોયું છે જેણે લેગ્સ અને કેલેન્ડર સુવિધાઓનો ઉપયોગ કરીને "આગામી 7 દિવસોમાં સ્ટોકઆઉટ જોખમ" મેળવ્યું હતું. કોઈ ઊંડા નેટ્સ નહીં, ફક્ત સ્વચ્છ ડેટા અને સ્પષ્ટ થ્રેશોલ્ડ. જીત ફ્લેશ નહોતી - તે ઓપ્સમાં ઓછા સ્ક્રેમ્બલ-કોલ્સ હતી.

પ્રિડિક્ટિવ એઆઈ વિરુદ્ધ જનરેટિવ એઆઈ - ઝડપી વિભાજન ⚖️

• જનરેટિવ AI નવી સામગ્રી - ટેક્સ્ટ, છબીઓ, કોડ - ડેટા વિતરણનું મોડેલિંગ અને તેમાંથી નમૂના લઈને બનાવે છે [4].

• આગાહીત્મક AI પરિણામોની આગાહી કરે છે - મંદીનું જોખમ, આવતા અઠવાડિયે માંગ, ડિફોલ્ટ સંભાવના - ઐતિહાસિક પેટર્નમાંથી શરતી સંભાવનાઓ અથવા મૂલ્યોનો અંદાજ લગાવીને [5].

જનરેટિવને ક્રિએટિવ સ્ટુડિયો તરીકે અને પ્રિડિક્ટિવને હવામાન સેવા તરીકે વિચારો. એક જ ટૂલબોક્સ (ML), અલગ અલગ ઉદ્દેશ્યો.

તો... વ્યવહારમાં પ્રિડિક્ટિવ AI શું છે? 🔧

1. તમારા માટે મહત્વપૂર્ણ હોય તેવા ઐતિહાસિક ડેટા-પરિણામો અને તેમને સમજાવી શકે તેવા ઇનપુટ્સ એકત્રિત કરો

2. એન્જિનિયર સુવિધાઓ - કાચા ડેટાને ઉપયોગી સિગ્નલોમાં ફેરવો (લેગ્સ, રોલિંગ સ્ટેટ્સ, ટેક્સ્ટ એમ્બેડિંગ્સ, વર્ગીકૃત એન્કોડિંગ્સ).

3. ઇનપુટ અને પરિણામો વચ્ચેના સંબંધો શીખતા મોડેલ-ફિટ અલ્ગોરિધમ્સને તાલીમ આપો

4. વ્યવસાય મૂલ્યને પ્રતિબિંબિત કરતા મેટ્રિક્સ સાથે હોલ્ડઆઉટ ડેટાનું મૂલ્યાંકન

5. તમારી એપ્લિકેશન, વર્કફ્લો અથવા ચેતવણી સિસ્ટમમાં આગાહીઓ મોકલો - જમાવો

6. કામગીરીનું નિરીક્ષણ કરો ડેટા / કોન્સેપ્ટ ડ્રિફ્ટ અને પુનઃપ્રશિક્ષણ/પુનઃકેલિબ્રેશન જાળવો. અગ્રણી માળખા સ્પષ્ટપણે ડ્રિફ્ટ, બાયસ અને ડેટા ગુણવત્તાને ચાલુ જોખમો તરીકે બોલાવે છે જેને શાસન અને દેખરેખની જરૂર હોય છે [1].

અલ્ગોરિધમ્સ રેખીય મોડેલોથી લઈને ટ્રી એન્સેમ્બલ્સ અને ન્યુરલ નેટવર્ક્સ સુધીના હોય છે. અધિકૃત દસ્તાવેજો સામાન્ય શંકાસ્પદો - લોજિસ્ટિક રીગ્રેશન, રેન્ડમ ફોરેસ્ટ્સ, ગ્રેડિયન્ટ બૂસ્ટિંગ અને વધુ - ને સૂચિબદ્ધ કરે છે - જ્યારે તમને સારી રીતે વર્તણૂક ધરાવતા સ્કોર્સની જરૂર હોય ત્યારે ટ્રેડ-ઓફ સમજાવવામાં આવે છે અને સંભાવના કેલિબ્રેશન વિકલ્પો [3].

મૂળભૂત બાબતો - ડેટા, લેબલ્સ અને મોડેલ્સ 🧱

• ડેટા - ઇવેન્ટ્સ, ટ્રાન્ઝેક્શન્સ, ટેલિમેટ્રી, ક્લિક્સ, સેન્સર રીડિંગ્સ. સ્ટ્રક્ચર્ડ કોષ્ટકો સામાન્ય છે, પરંતુ ટેક્સ્ટ અને છબીઓને આંકડાકીય સુવિધાઓમાં રૂપાંતરિત કરી શકાય છે.

• લેબલ્સ - તમે શું અનુમાન કરી રહ્યા છો: ખરીદ્યું વિરુદ્ધ નહીં, નિષ્ફળતા સુધીના દિવસો, માંગના ડોલર.

• અલ્ગોરિધમ્સ

  • પરિણામ સ્પષ્ટ હોય કે ન હોય ત્યારે વર્ગીકરણ

  • રીગ્રેશન - કેટલા યુનિટ વેચાયા.

  • સમય-શ્રેણી જ્યારે ક્રમ મહત્વપૂર્ણ હોય છે - સમય દરમ્યાન મૂલ્યોની આગાહી, જ્યાં વલણ અને ઋતુને સ્પષ્ટ સારવારની જરૂર હોય છે [2].

સમય-શ્રેણી આગાહી ઘાતાંકીય સ્મૂથિંગ અથવા ARIMA-ફેમિલી મોડેલ્સ જેવી મિશ્રણ પદ્ધતિઓમાં મોસમીતા અને વલણ ઉમેરે છે જે ક્લાસિક સાધનો છે જે હજુ પણ આધુનિક ML [2] ની સાથે બેઝલાઇન તરીકે પોતાની જાતને જાળવી રાખે છે.

સામાન્ય ઉપયોગના કિસ્સાઓ જે ખરેખર મોકલવામાં આવે છે 📦

• આવક અને વૃદ્ધિ

  • લીડ સ્કોરિંગ, રૂપાંતરણમાં સુધારો, વ્યક્તિગત ભલામણો.

• જોખમ અને પાલન

  • છેતરપિંડી શોધ, ક્રેડિટ જોખમ, AML ફ્લેગ્સ, વિસંગતતા શોધ.

• પુરવઠો અને કામગીરી

  • માંગ આગાહી, કાર્યબળ આયોજન, ઇન્વેન્ટરી ઑપ્ટિમાઇઝેશન.

• વિશ્વસનીયતા અને જાળવણી

  • નિષ્ફળતા પહેલાં સાધનો પર આગાહી જાળવણી કાર્ય.

• આરોગ્યસંભાળ અને જાહેર આરોગ્ય

  • રીડમિશન, ટ્રાયજ અર્જન્સી, અથવા રોગ જોખમ મોડેલ્સની આગાહી કરો (સાવચેતીપૂર્વક માન્યતા અને શાસન સાથે)

જો તમને ક્યારેય "આ વ્યવહાર શંકાસ્પદ લાગે છે" એવો SMS મળ્યો હોય, તો તમે અચાનક જ આગાહી કરનાર AI ને મળ્યા છો.

સરખામણી કોષ્ટક - આગાહીયુક્ત AI માટે સાધનો 🧰

નોંધ: કિંમતો વ્યાપક છે - ઓપન સોર્સ મફત છે, ક્લાઉડ ઉપયોગ-આધારિત છે, એન્ટરપ્રાઇઝ બદલાય છે. વાસ્તવિકતા માટે એક કે બે નાની ભૂલ બાકી છે...

પ્રિડિક્ટિવ AI પ્રિસ્ક્રિપ્ટિવ એનાલિટિક્સ સાથે કેવી રીતે તુલના કરે છે 🧭

આગાહી શું થવાની સંભાવના છે . પ્રિસ્ક્રિપ્ટિવ આગળ વધે છે - આપણે તેના વિશે શું કરવું જોઈએ , મર્યાદાઓ હેઠળ પરિણામોને શ્રેષ્ઠ બનાવતી ક્રિયાઓ પસંદ કરીને. વ્યાવસાયિક સમાજો પ્રિસ્ક્રિપ્ટિવ એનાલિટિક્સ ને ફક્ત આગાહીઓ જ નહીં, પણ શ્રેષ્ઠ ક્રિયાઓની ભલામણ કરવા માટે મોડેલોનો ઉપયોગ તરીકે વ્યાખ્યાયિત કરે છે [5]. વ્યવહારમાં, આગાહી પ્રિસ્ક્રિપ્શનને ફીડ કરે છે.

મોડેલોનું મૂલ્યાંકન - મહત્વના મેટ્રિક્સ 📊

નિર્ણય સાથે મેળ ખાતા મેટ્રિક્સ પસંદ કરો:

• વર્ગીકરણ

  • જ્યારે ચેતવણીઓ મોંઘી હોય ત્યારે ખોટા હકારાત્મકતા ટાળવા માટે ચોકસાઇ

  • જ્યારે ભૂલો મોંઘી પડે ત્યારે વધુ સાચી ઘટનાઓ પકડવા માટે યાદ કરો

  • AUC-ROC થ્રેશોલ્ડમાં રેન્ક-ગુણવત્તાની તુલના કરશે.

• રીગ્રેશન

  • એકંદર ભૂલના માપ માટે RMSE/MAE

  • MAPE જ્યારે સંબંધિત ભૂલો મહત્વપૂર્ણ હોય છે.

• આગાહી

  • સમય-શ્રેણી તુલનાત્મકતા માટે MASE, sMAPE

  • આગાહી અંતરાલો માટે કવરેજ

મને એક નિયમ ગમે છે: તમારા બજેટ સાથે મેળ ખાતા મેટ્રિકને ખોટા હોવા માટે ઑપ્ટિમાઇઝ કરો.

ડિપ્લોયમેન્ટ રિયાલિટી - ડ્રિફ્ટ, બાયસ અને મોનિટરિંગ 🌦️

મોડેલ્સનું અવમૂલ્યન થાય છે. ડેટા બદલાય છે. વર્તન બદલાય છે. આ નિષ્ફળતા નથી - તે વિશ્વ ગતિશીલ છે. અગ્રણી માળખા ડેટા ડ્રિફ્ટ અને કોન્સેપ્ટ ડ્રિફ્ટ , પૂર્વગ્રહ અને ડેટા ગુણવત્તા જોખમોને પ્રકાશિત કરવા અને દસ્તાવેજીકરણ, ઍક્સેસ નિયંત્રણો અને જીવનચક્ર શાસનની ભલામણ કરે છે [1].

• ખ્યાલ પ્રવાહ - ઇનપુટ્સ અને લક્ષ્ય વચ્ચેના સંબંધો વિકસિત થાય છે, તેથી ગઈકાલના પેટર્ન હવે આવતીકાલના પરિણામોની સારી રીતે આગાહી કરતા નથી.

• મોડેલ અથવા ડેટા ડ્રિફ્ટ - ઇનપુટ વિતરણો બદલાય છે, સેન્સર બદલાય છે, વપરાશકર્તા વર્તન બદલાય છે, પ્રદર્શન ક્ષીણ થાય છે. શોધો અને કાર્ય કરો.

વ્યવહારુ પ્લેબુક: ઉત્પાદનમાં મેટ્રિક્સનું નિરીક્ષણ કરો, ડ્રિફ્ટ પરીક્ષણો ચલાવો, પુનઃપ્રશિક્ષણ કેડન્સ જાળવો અને બેકટેસ્ટિંગ માટે પરિણામો વિરુદ્ધ આગાહીઓ લોગ કરો. એક સરળ ટ્રેકિંગ વ્યૂહરચના એવી જટિલ વ્યૂહરચના કરતાં વધુ સારી છે જે તમે ક્યારેય ચલાવતા નથી.

એક સરળ શરૂઆતનો વર્કફ્લો જે તમે કોપી કરી શકો છો 📝

1. નિર્ણય વ્યાખ્યાયિત કરો - તમે વિવિધ થ્રેશોલ્ડ પર આગાહી સાથે શું કરશો?

2. ડેટા એકત્રિત કરો - સ્પષ્ટ પરિણામો સાથે ઐતિહાસિક ઉદાહરણો એકત્રિત કરો.

3. વિભાજન - તાલીમ, માન્યતા, અને ખરેખર હોલ્ડઆઉટ પરીક્ષણ.

4. બેઝલાઇન - લોજિસ્ટિક રીગ્રેશન અથવા નાના વૃક્ષના સમૂહથી શરૂઆત કરો. બેઝલાઇન્સ અસ્વસ્થતાભર્યા સત્યો કહે છે [3].

5. સુધારો - ફીચર એન્જિનિયરિંગ, ક્રોસ-વેલિડેશન, કાળજીપૂર્વક નિયમિતકરણ.

6. શિપ - એક API એન્ડપોઇન્ટ અથવા બેચ જોબ જે તમારી સિસ્ટમમાં આગાહીઓ લખે છે.

7. ઘડિયાળ - ગુણવત્તા માટે ડેશબોર્ડ, ડ્રિફ્ટ એલાર્મ, ફરીથી તાલીમ ટ્રિગર્સ [1].

જો તે ઘણું લાગે, તો તે છે - પણ તમે તે તબક્કાવાર કરી શકો છો. ટાઈની સંયોજન જીતે છે.

ડેટા પ્રકારો અને મોડેલિંગ પેટર્ન - ઝડપી હિટ્સ 🧩

• ટેબ્યુલર રેકોર્ડ્સ - ગ્રેડિયન્ટ બૂસ્ટિંગ અને રેખીય મોડેલ્સ માટે હોમ ટર્ફ [3].

• સમય-શ્રેણી - ઘણીવાર ML પહેલાં વલણ/ઋતુ/અવશેષોમાં વિઘટનથી ફાયદો થાય છે. ઘાતાંકીય સુંવાળીકરણ જેવી શાસ્ત્રીય પદ્ધતિઓ મજબૂત બેઝલાઇન રહે છે [2].

• ટેક્સ્ટ, છબીઓ - આંકડાકીય વેક્ટરમાં એમ્બેડ કરો, પછી ટેબ્યુલરની જેમ આગાહી કરો.

• ગ્રાફ - ગ્રાહક નેટવર્ક, ઉપકરણ સંબંધો - ક્યારેક ગ્રાફ મોડેલ મદદ કરે છે, ક્યારેક તે ઓવર-એન્જિનિયરિંગ હોય છે. તમે જાણો છો કે તે કેવી રીતે છે.

જોખમો અને રેલિંગ - કારણ કે વાસ્તવિક જીવન અવ્યવસ્થિત છે 🛑

• પક્ષપાત અને પ્રતિનિધિત્વ - ઓછું રજૂ કરાયેલા સંદર્ભો અસમાન ભૂલ તરફ દોરી જાય છે. દસ્તાવેજીકરણ અને દેખરેખ [1].

• લીકેજ - એવી સુવિધાઓ જેમાં આકસ્મિક રીતે ભવિષ્યની માહિતી ઝેર માન્યતાનો સમાવેશ થાય છે.

• બનાવટી સહસંબંધ - મોડેલો શોર્ટકટનો ઉપયોગ કરે છે.

• ઓવરફિટિંગ - તાલીમમાં ઉત્તમ, ઉત્પાદનમાં ઉદાસી.

• શાસન - વંશ, મંજૂરીઓ અને ઍક્સેસ નિયંત્રણનો ટ્રેક - કંટાળાજનક પરંતુ મહત્વપૂર્ણ [1].

જો તમે વિમાન લેન્ડ કરવા માટે ડેટા પર આધાર રાખતા નથી, તો લોન નકારવા માટે પણ તેના પર આધાર રાખશો નહીં. થોડું વધારે પડતું કહીએ તો, પણ તમને ભાવના સમજાઈ જશે.

ઊંડાણપૂર્વક ડૂબકી લગાવવી: ગતિશીલ વસ્તુઓની આગાહી કરવી ⏱️

માંગ, ઉર્જા ભાર અથવા વેબ ટ્રાફિકની આગાહી કરતી વખતે, સમય-શ્રેણી વિચારસરણી મહત્વપૂર્ણ છે. મૂલ્યો ક્રમબદ્ધ છે, તેથી તમે ટેમ્પોરલ સ્ટ્રક્ચરનો આદર કરો છો. મોસમી-ટ્રેન્ડ ડિકમ્પોઝિશનથી શરૂઆત કરો, એક્સપોનેન્શિયલ સ્મૂથિંગ અથવા ARIMA-ફેમિલી બેઝલાઇનનો પ્રયાસ કરો, બુસ્ટેડ ટ્રીઝ સાથે સરખામણી કરો જેમાં લેગ્ડ ફીચર્સ અને કેલેન્ડર ઇફેક્ટ્સ શામેલ હોય છે. જ્યારે ડેટા પાતળો અથવા ઘોંઘાટીયા હોય ત્યારે એક નાનો, સારી રીતે ટ્યુન કરેલ બેઝલાઇન પણ આછકલા મોડેલને પાછળ રાખી શકે છે. એન્જિનિયરિંગ હેન્ડબુક આ મૂળભૂત બાબતોમાંથી સ્પષ્ટ રીતે પસાર થાય છે [2].

FAQ-જેવી નાની શબ્દાવલી 💬

• આગાહીયુક્ત AI શું છે? ML પ્લસ આંકડા જે ઐતિહાસિક પેટર્નમાંથી સંભવિત પરિણામોની આગાહી કરે છે. આગાહીયુક્ત વિશ્લેષણ જેવી જ ભાવના, સોફ્ટવેર વર્કફ્લોમાં લાગુ પડે છે [5].

• તે જનરેટિવ AI થી કેવી રીતે અલગ છે? ક્રિએશન વિરુદ્ધ આગાહી. જનરેટિવ નવી સામગ્રી બનાવે છે; આગાહીત્મક સંભાવનાઓ અથવા મૂલ્યોનો અંદાજ કાઢે છે [4].

• શું મને ઊંડા શિક્ષણની જરૂર છે? હંમેશા નહીં. ઘણા ઉચ્ચ-ROI ઉપયોગના કેસો વૃક્ષો અથવા રેખીય મોડેલો પર ચાલે છે. સરળ શરૂઆત કરો, પછી એસ્કેલેટ કરો [3].

• નિયમો અથવા માળખા વિશે શું? જોખમ વ્યવસ્થાપન અને શાસન માટે વિશ્વસનીય માળખાનો ઉપયોગ કરો - તેઓ પૂર્વગ્રહ, પ્રવાહ અને દસ્તાવેજીકરણ પર ભાર મૂકે છે [1].

ખૂબ લાંબો. વાંચ્યો નથી!🎯

આગાહી કરનારી AI રહસ્યમય નથી. ગઈકાલથી શીખીને આજે વધુ સ્માર્ટ બનવાની શિસ્તબદ્ધ પ્રથા છે. જો તમે સાધનોનું મૂલ્યાંકન કરી રહ્યા છો, તો તમારા નિર્ણયથી શરૂઆત કરો, અલ્ગોરિધમથી નહીં. એક વિશ્વસનીય આધારરેખા સ્થાપિત કરો, જ્યાં તે વર્તનમાં ફેરફાર કરે છે ત્યાં ગોઠવો, અને અવિરતપણે માપો. અને યાદ રાખો - મોડેલો દૂધ જેવા વૃદ્ધ થાય છે, વાઇન જેવા નહીં - તેથી દેખરેખ અને ફરીથી તાલીમ આપવાની યોજના બનાવો. થોડી નમ્રતા ખૂબ આગળ વધે છે.

સંદર્ભ

1. NIST - આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (AI RMF 1.0). લિંક

2. NIST ITL - એન્જિનિયરિંગ સ્ટેટિસ્ટિક્સ હેન્ડબુક: સમય શ્રેણી વિશ્લેષણનો પરિચય. લિંક

3. scikit-learn - નિરીક્ષિત શિક્ષણ વપરાશકર્તા માર્ગદર્શિકા. લિંક

4. NIST - AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક: જનરેટિવ AI પ્રોફાઇલ. લિંક

5. માહિતી - ઓપરેશન્સ રિસર્ચ અને એનાલિટિક્સ (એનાલિટિક્સ ઝાંખીના પ્રકારો). લિંક

અધિકૃત AI સહાયક સ્ટોર પર નવીનતમ AI શોધો

અમારા વિશે