मैं एक प्रमुख रिटेलर से एक एमएल विशेषज्ञ द्वारा एक प्रस्तुति देख रहा था, जहां उन्होंने स्टॉक इवेंट्स के बारे में भविष्यवाणी करने के लिए एक मॉडल विकसित किया था।
आइए एक पल के लिए मान लें कि समय के साथ, उनका मॉडल बहुत सटीक हो जाता है, क्या यह किसी भी तरह "आत्म-पराजय" नहीं होगा? यही है, अगर मॉडल वास्तव में अच्छी तरह से काम करता है, तो वे स्टॉक घटनाओं से बाहर निकलने और उन्हें टालने में सक्षम होंगे, अंत में एक बिंदु पर पहुंचेंगे जहां उनके पास स्टॉक घटनाओं से कम या बिल्कुल बाहर नहीं है। लेकिन फिर अगर ऐसा है, तो उनके मॉडल को चलाने के लिए पर्याप्त ऐतिहासिक डेटा नहीं होगा, या उनका मॉडल पटरी से उतर जाता है, क्योंकि एक ही कारण कारक जो स्टॉक आउट घटना को इंगित करने के लिए उपयोग नहीं करते हैं।
ऐसे परिदृश्य से निपटने के लिए क्या रणनीति है?
इसके अतिरिक्त, कोई भी विपरीत परिस्थिति की कल्पना कर सकता है: उदाहरण के लिए, एक सिफारिश करने वाला सिस्टम "स्व-पूर्ति भविष्यवाणी" बन सकता है, सिफारिशकर्ता प्रणाली के आउटपुट द्वारा संचालित आइटम जोड़े की बिक्री में वृद्धि के साथ, भले ही दो आइटम वास्तव में ऐसा न हों। सम्बंधित।
यह मुझे लगता है कि दोनों एक प्रकार के फीडबैक लूप के परिणाम हैं जो कि भविष्यवक्ता के उत्पादन और उसके आधार पर की जाने वाली क्रियाओं के बीच होता है। इस तरह की स्थितियों से कोई कैसे निपट सकता है?