Multi-stage predictive engine for low-fidelity sensors

Inleiding

A low-fidelity sensor technology is developed by MOOS die opereert in een omgeving die zeer hoge voorspellende nauwkeurigheid vereist. Deze sensoren worden gekoppeld aan software om inzicht te krijgen in voorraadposities, waardoor bedrijven hun operaties kunnen optimaliseren.

AI-ontwikkeling

Vanuit een AI-perspectief is de inspanning gericht op de ontwikkeling van een multi-stage voorspellingsalgoritme dat in staat is om hoge voorspellende nauwkeurigheid te bereiken in situaties waarin de steekproefgroottes relatief klein zijn. Tegelijkertijd zijn flexibele non-parametrische (bijv. neurale netwerken) of ensemble-methoden (bijv. Random Forests) vereist om rekening te houden met een hoge mate van complexiteit in de data.

Multi-stage aanpak

Deze multi-stage aanpak is nuttig in scenario's waarin het belangrijkste voorspellende doel kan worden opgedeeld in een set van "simpele" voorspellende doelen. De set van eerste-fase algoritmen produceert een aantal voorspellingen die worden gebruikt als invoer voor het tweede-fase voorspellingsalgoritme.

Dimensionaliteitsreductie

In dit opzicht leveren de eerste-fase modellen een vorm van gecontroleerde en gesuperviseerde dimensionaliteitsreductie die ruwe data omzet in relevante indicatoren voor het uiteindelijke voorspellingsmodel. Deze dimensionaliteitsreductie is echter meer gestructureerd dan die bereikt door standaard clusteringtechnieken of PCA.

Prestaties van het algoritme

In kleine steekproeven behaalt het multi-stage algoritme betere resultaten dan een standaard single-stage non-parametrisch of ensemble-algoritme door structuur op te leggen aan het voorspellende probleem en de klassieke bias-variantie trade-off te verbeteren. In specifieke instellingen is het multi-stage algoritme minder veeleisend wat betreft het volume van de gegevens dat nodig is om hoge voorspellende nauwkeurigheid te bereiken.

Eindresultaat

Ons eindresultaat is een plug-and-play AI-engine die hoge nauwkeurigheids prestaties levert voor het voorspellen van een breed scala aan productgroottes, gewichten en vormen in een retail schap, ongeacht de vorm of grootte van de sensor en ongeacht hoe producten zijn opgeslagen of gestapeld.