F:
Hur fungerar prediktiv varning?
A:Prediktiv varning är en teknik som förutsäger händelser baserade på historisk data och därmed ger varningar. Till exempel kan tekniken förutsäga försäljningen av vissa produkter baserat på försäljning och annan data från det förflutna, och den kan skicka varningar till lämpliga personer när lager förväntas vara låga. Förutsägbara varningar, även om de fortfarande är i utvecklingsstadiet, är potentiellt ett användbart verktyg i många branscher som bank och finans, försvar, IT-säkerhet, e-handel, online-lärande och till och med medicinsk vetenskap.
Förutsägbara varningar kan sägas vara en gren av maskininlärning. Maskininlärning är området för maskiner som lär sig från nya, olika datasätt och tillämpar inlärningen i andra situationer. Handlingen att lära av maskiner kan liknas med att lära av människor som lär sig och berikas av olika erfarenheter och tillämpar lektionerna i olika situationer för att lösa problem. Programvaruapplikationer baserade på prediktiva varningar bearbetar stora, varierade datasätt och lär sig av datasätten.
Baserat på inlärningen skapar applikationer datamodeller och tillämpar modellerna på andra problem. Till exempel inom medicinska vetenskaper kan patient- och väderdata under de senaste åren bearbetas och analyseras för att upptäcka viktig information om utbrott av vissa sjukdomar. Maskinerna kan analysera och korrelera uppgifterna för att koppla in början av vissa säsonger med vissa sjukdomar, som höstsäsongen med astma och allergier. Baserat på det kan det skicka varningar till läkare och sjukhus med förutsägelser om vilka sjukdomar som troligt kommer att slå till när. Sjukhus och kliniker kan därför planera.
Den viktigaste utmaningen för förutsägbara varningar är noggrannhet. Även om den kan beväpnas med valfritt antal sofistikerade algoritmer, måste den bearbeta data och använda data för att exakt förutsäga händelser. Detta är anledningen till att det fortfarande behandlas som en utvecklande teknik. De prediktiva modellerna uppdateras ständigt när nya data kommer in så att modellerna kan förutsäga exakt. Några framstående företag, särskilt de inom detaljhandeln, har använt varningar för olika ändamål, till exempel att visa exakta produktrekommendationer för besökare baserat på deras produktsökningshistorik och preferenser. Sådana rekommendationsmotorer kan ganska exakt förutsäga val av potentiella kunder.
