predykcja zachowań

Predykcja zachowań to przewidywanie dalszych działań odbiorcy na podstawie dotychczasowej aktywności.

Na czym polega predykcja zachowań

Predykcja zachowań w informatyce oznacza przewidywanie prawdopodobnych działań użytkownika, programu albo urządzenia na podstawie wcześniejszych zdarzeń zapisanych w danych. System analizuje między innymi kolejność operacji, czas ich wystąpienia, częstotliwość powtórzeń oraz zależności między różnymi zdarzeniami. Wynikiem nie musi być pewne wskazanie przyszłego działania. Zwykle jest to ocena prawdopodobieństwa, na przykład przewidywanie, że użytkownik otworzy określony plik, uruchomi daną funkcję lub ponownie odwiedzi konkretną stronę.

Podstawą takiego mechanizmu jest zbiór danych historycznych, nazywany zbiorem uczącym albo treningowym. Dane mogą zawierać uporządkowane rekordy, dzienniki zdarzeń, informacje o kliknięciach, wyniki pomiarów lub sekwencje operacji wykonywanych przez program. Aby predykcja była technicznie wiarygodna, dane muszą mieć określone znaczenie, jednolity format i poprawnie oznaczone zdarzenia. Błędne znaczniki czasu, brakujące rekordy albo przypadkowe duplikaty mogą powodować, że model nauczy się zależności, które nie występują w rzeczywistym działaniu systemu.

Dane wejściowe i przygotowanie modelu

Przed wykorzystaniem danych do przewidywania zachowań trzeba przekształcić je do postaci, którą może przetwarzać algorytm. Pojedyncze zdarzenia często zamienia się na cechy, takie jak liczba operacji w określonym przedziale czasu, odstęp między kolejnymi czynnościami, typ używanego urządzenia, długość sesji lub liczba wcześniejszych powtórzeń tej samej akcji. W przypadku danych sekwencyjnych istotna jest kolejność zdarzeń, ponieważ wykonanie czynności B po czynności A może mieć inne znaczenie niż wykonanie A po B.

Model uczy się zależności między cechami a obserwowanym wynikiem. Do zadań tego typu stosuje się między innymi regresję logistyczną, drzewa decyzyjne, lasy losowe, metody gradient boosting oraz sieci neuronowe. Wybór algorytmu zależy od rodzaju danych, wielkości zbioru, wymaganej szybkości obliczeń i potrzeby wyjaśniania decyzji. Model powinien być oceniany na danych, których nie użyto podczas uczenia. Pozwala to sprawdzić, czy rozpoznaje ogólne zależności, a nie tylko zapamiętuje przykłady ze zbioru treningowego.

Wynik predykcji może mieć postać klasy, wartości liczbowej albo rankingu możliwych działań. Przykładowo system może przypisać zdarzeniu prawdopodobieństwo 0,72, ale nie oznacza to gwarancji wystąpienia przewidywanej czynności. Próg decyzyjny ustala się zależnie od zastosowania. Jeżeli koszt fałszywego alarmu jest wysoki, próg może zostać podniesiony. Jeżeli ważniejsze jest wykrycie większości potencjalnych przypadków, stosuje się próg niższy, akceptując większą liczbę błędnych wskazań.

Ocena trafności i ograniczenia predykcji

Trafność modelu ocenia się za pomocą miar dobranych do konkretnego zadania. W klasyfikacji używa się między innymi dokładności, precyzji, czułości i miary F1. Sama dokładność może być myląca, gdy jedna klasa występuje znacznie częściej od pozostałych. Jeżeli dziewięćdziesiąt dziewięć na sto obserwacji nie zawiera przewidywanego zdarzenia, model zawsze wskazujący jego brak uzyska wysoką dokładność, ale nie będzie użyteczny do wykrywania rzadkich zachowań. Przy prognozowaniu wartości liczbowych stosuje się między innymi średni błąd bezwzględny albo pierwiastek ze średniego błędu kwadratowego.

Predykcja może tracić jakość, gdy zmienia się sposób korzystania z aplikacji, sprzętu lub usługi. Takie zjawisko nazywa się przesunięciem danych albo zmianą rozkładu danych. Model wytrenowany na aktywności z jednego okresu może gorzej działać po zmianie interfejsu, procedury logowania, wersji programu lub urządzeń używanych przez odbiorców. Dlatego system produkcyjny powinien być monitorowany, a jego wyniki porównywane z później zaobserwowanymi zdarzeniami. Należy również kontrolować opóźnienia, błędne rekordy i sytuacje, w których model otrzymuje dane inne niż te, na których był uczony.

Istotnym ograniczeniem jest także korelacja bez związku przyczynowego. Model może wykryć, że dwa zdarzenia często występują razem, lecz nie potrafi przez to automatycznie stwierdzić, że jedno zdarzenie powoduje drugie. Predykcja nie zastępuje analizy przyczynowej ani testów wykonywanych w kontrolowanych warunkach. Jeżeli wynik ma wpływać na działanie programu, powinno się ustalić sposób obsługi niepewności, wartości brakujących i sytuacji nietypowych. W praktyce potrzebne są również logi wejścia, wersji modelu, użytych cech i otrzymanego wyniku, aby można było odtworzyć przebieg obliczenia podczas diagnostyki.

Zastosowanie w komputerach i diagnostyce

Na komputerach predykcja zachowań może wspierać funkcje oprogramowania działające lokalnie, na przykład przewidywanie kolejnej operacji użytkownika, wstępne ładowanie często używanych zasobów albo wykrywanie nietypowej sekwencji działań programu. W systemach diagnostycznych analizuje się ciągi komunikatów, czasy odpowiedzi, obciążenie procesora, wykorzystanie pamięci i powtarzalność awarii. Na tej podstawie można oszacować, czy określony objaw prawdopodobnie poprzedza zawieszenie aplikacji, błąd dysku lub przegrzewanie podzespołu. Taka prognoza jest wskazówką do dalszych testów, a nie samodzielnym potwierdzeniem usterki.

Poprawne wykorzystanie predykcji wymaga rozdzielenia danych obserwacyjnych od interpretacji. Log z pojedynczego zdarzenia nie dowodzi jeszcze trwałego wzorca, a przewidywanie wykonane na zbyt krótkiej historii może reagować na przypadkowe anomalie. Podczas analizy komputera warto porównać prognozę z rzeczywistym stanem systemu, sprawdzić temperatury, kondycję nośnika, pamięć operacyjną, sterowniki i przebieg obciążenia. Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i ich podzespołów, dlatego w praktyce wynik predykcji może stanowić jeden z elementów diagnostyki, obok pomiarów sprzętowych, analizy logów i testów obciążeniowych.