Xi măng, một vật liệu liên kết thiết yếu trong xây dựng, đóng vai trò là xương sống cho môi trường xây dựng của chúng ta. Từ những tòa nhà chọc trời cao chót vót đến những cây cầu phức tạp, sức mạnh và độ bền của các cấu trúc này phụ thuộc vào chất lượng xi măng và tính chất quan trọng của nó: cường độ nén.
Trong ví dụ này, nền tảng AI có thể hành động sẽ được sử dụng để xác định điều gì ảnh hưởng đến cường độ nén cụ thể và cách chúng ta có thể dự đoán nó.
Trước khi cố gắng đào tạo bất kỳ mô hình nào, điều quan trọng là phải thực hiện Phân tích dữ liệu thăm dò (EDA) để hiểu rõ hơn về các tính năng trong dữ liệu của chúng tôi và cách chúng tương tác với nhau. Chúng ta có thể sử dụng công cụ phân tích tương quan để tìm sức mạnh của mối quan hệ giữa biến quan tâm của chúng ta và các tính năng còn lại. Các cài đặt được chọn như sau:
Biến số quan tâm, cụ thể là cường độ cụ thể, được chỉ định trong trường 'mục tiêu tương quan'. Trong khi đó, bất kỳ tính năng nào mà mối tương quan cần được đo lường với mục tiêu đều được chỉ định trong trường 'các yếu tố so sánh'. Các tùy chọn khác cũng có sẵn, chẳng hạn như số lượng các yếu tố để hiển thị và liệu các giá trị có nên được hiển thị trên biểu đồ thanh hay không.
Sau khi nhấp vào nút 'Chạy' và đợi trong giây lát, kết quả sẽ được tạo và hiển thị cho người dùng:
Như có thể quan sát, hai đặc điểm quan trọng dường như là tuổi tác và nước. Cụ thể, sức mạnh có xu hướng tăng theo tuổi tác ngày càng tăng và với hàm lượng nước giảm. Các tính năng khác, chẳng hạn như lượng xi măng và siêu dẻo, cũng tương quan với cường độ.
Một số đồ thị khác cũng được tạo ra, cũng có thể được sử dụng để suy ra mối quan hệ giữa các tính năng:
Phân tích khám phá nguyên nhân cũng có thể được sử dụng để khám phá mối quan hệ nhân quả giữa các biến. Mối quan hệ nhân quả tồn tại khi một biến trong tập dữ liệu có ảnh hưởng trực tiếp đến một biến khác. Do đó, một sự kiện kích hoạt sự xuất hiện của một sự kiện khác.
Phân tích khám phá nguyên nhân có một số tùy chọn, như sau:
Trước hết, các tính năng được xem xét cần được chỉ định trong trường 'Tính năng được chọn'. Do đó, các tương tác giữa tất cả các tính năng này sẽ được xác định. Mô hình được sử dụng, các tùy chọn của nó và bất kỳ ràng buộc và biến nhân quả nào cũng có thể được chỉ định trong tab 'Biểu đồ nhân quả':
Sau khi hài lòng với các tùy chọn (giá trị mặc định phải đủ trong hầu hết các trường hợp), nút 'Chạy' có thể được nhấp và biểu đồ hiển thị các mối quan hệ nhân quả sẽ được hiển thị sau một vài phút:
Như có thể quan sát, có khá nhiều mối quan hệ giữa các tính năng của chúng tôi. Các giá trị đại diện cho sức mạnh của mối quan hệ cũng được cung cấp. Ví dụ, có một mối quan hệ rõ ràng giữa 'nước' và 'siêu nhựa'. Điều này thực sự được mong đợi, vì chất siêu dẻo cho phép giảm hàm lượng nước. Hơn nữa, giá trị âm của mối quan hệ (như được chỉ ra bằng màu đỏ) biểu thị rằng khi lượng chất siêu dẻo tăng lên, lượng nước giảm và ngược lại.
Hiểu rõ hơn về dữ liệu của mình, chúng ta có thể tiến hành đào tạo một mô hình có thể dự đoán cường độ nén cụ thể. Phân tích hồi quy có thể được chọn, với các tùy chọn sau được chọn:
Tương tự như phân tích tương quan, kết quả cần được dự đoán (cường độ nén cụ thể) nên được chỉ định trong trường 'mục tiêu dự đoán', trong khi bất kỳ tính năng nào khác nên được sử dụng để dự đoán mục tiêu được chỉ định trong trường 'dự đoán'.
Một số tùy chọn khác cũng có thể được chỉ định, bao gồm:
Trong trường hợp này, tùy chọn 'giải thích dự đoán' đã được chọn. Điều này sẽ cho phép tạo ra những gì được gọi là giá trị Shapley có thể giúp chúng ta hiểu mức độ mỗi biến đã tăng hoặc giảm dự đoán.
Các tùy chọn nâng cao hơn cũng có thể được chỉ định, chẳng hạn như các mô hình được đào tạo và các siêu tham số của chúng. Mặc dù cài đặt mặc định thường hoạt động tốt, bạn có thể muốn chỉ định một số giá trị nhất định theo ý thích của mình hoặc cố gắng điều chỉnh chúng để cải thiện hiệu suất. AI có thể hành động sau đó sẽ tận dụng các kỹ thuật AutoML hiện đại để tự động đào tạo một số mô hình với các siêu tham số khác nhau và chọn mô hình đạt được hiệu suất tốt nhất.
Số liệu được sử dụng để tối ưu hóa cũng có thể được chỉ định:
Thông tin chi tiết về tất cả các tùy chọn có sẵn trong phân tích hồi quy cũng có thể được tìm thấy trong tài liệu hướng dẫn sử dụng.
Khi chúng tôi hài lòng với các cài đặt, có thể nhấp vào nút 'Chạy' để bắt đầu quá trình đào tạo mô hình. Khi nó được hoàn thành, một số kết quả được hiển thị:
Trước tiên, chúng ta có thể phân tích hiệu suất của mô hình bằng cách sử dụng một số số liệu. Mỗi trong số này so sánh các giá trị chân lý cơ bản của cường độ nén bê tông với các giá trị được dự đoán bởi mô hình tốt nhất. Như có thể quan sát, kết quả trong trường hợp này rất tốt, với Lỗi bình phương trung bình gốc, Lỗi tuyệt đối trung bình và Lỗi tuyệt đối trung bình khá gần với 0 (giá trị tối ưu) và R2 gần với giá trị tối ưu là 1.0 (trong trường hợp này, có thể nói rằng mô hình có sai số tương đối khoảng 8%).
Các số liệu này chỉ ra rằng mô hình sẽ hoạt động tốt khi được sử dụng trên dữ liệu vô hình trong thế giới thực (dữ liệu không được mô hình sử dụng khi đào tạo nó).
Sau đó, chúng ta có thể quan sát những tính năng nào được mô hình coi là quan trọng:
Rõ ràng là tuổi, xi măng và nước đều là những tính năng rất hữu ích cho mô hình được đào tạo, điều này không có gì đáng ngạc nhiên với kết quả trong phân tích tương quan được thảo luận trước đó. Do đó, đây là những đặc điểm ảnh hưởng đến cường độ nén bê tông nhiều nhất.
Tiếp theo, chúng ta có thể kiểm tra các giá trị thô của các dự đoán và các giá trị Shapley được đề cập trước đó:
So sánh các giá trị chân lý cơ bản (cột 'sức mạnh') với các giá trị dự đoán ('strength_predicted'), rõ ràng là các giá trị dự đoán thực sự rất gần với các giá trị thực tế. Hơn nữa, mức độ mà mỗi biến ảnh hưởng đến kết quả cũng được đưa ra bằng màu đỏ hoặc xanh lá cây; Giá trị màu đỏ chỉ ra rằng giá trị đã làm giảm giá trị của kết quả (tức là cường độ nén bê tông), trong khi các giá trị màu xanh lá cây chỉ ra rằng giá trị đã làm tăng giá trị của dự đoán. Các giá trị này được tạo ra cho từng mẫu cụ thể, cho phép phân tích chi tiết cao về mô hình và cách mỗi biến ảnh hưởng đến kết quả. Điều này cũng giúp xác định làm thế nào cường độ bê tông có thể được điều chỉnh theo các giá trị mong muốn.
Phân tích sâu hơn về cách các dự đoán mô hình khác nhau giữa các giá trị khác nhau của các biến cũng có thể được kiểm tra trong các biểu đồ PDP và ICE được giới thiệu gần đây:
Biểu đồ ICE cho thấy ảnh hưởng của một tính năng đối với kết quả, bằng cách đóng băng tất cả các giá trị của mẫu ngoại trừ tính năng đang được điều tra. Trung bình trên tất cả các mẫu mang lại biểu đồ PD (PDP). Trong những hình ảnh trên, một lần nữa rõ ràng rằng tuổi và lượng xi măng lớn hơn có xu hướng làm tăng cường độ.
Tuy nhiên, trong trường hợp xi măng, dường như có một điểm mà tuổi bổ sung không mang lại sức mạnh tăng thêm, cả về PDP (trung bình) và về các mẫu riêng lẻ được chọn trong ICE. Điều này giúp chúng tôi xác định lượng thời gian cần thiết để đạt được sức mạnh mong muốn, mà không lãng phí bất kỳ thời gian nào cho mức tăng tối thiểu hoặc không có.
Thông tin thêm về mô hình tốt nhất và các mô hình khác đã được đào tạo cũng có thể được xem trong tab 'bảng xếp hạng':
Ngoài số liệu đánh giá đã chọn, lượng thời gian cần thiết để đào tạo mô hình và thực hiện các dự đoán được đưa ra. Điều này giúp chúng tôi xác định xem lượng thời gian cần thiết để mô hình hoạt động có đủ cho ứng dụng nhất định hay không. Lưu ý rằng thời gian suy luận mong muốn cũng có thể được chỉ định trong tab 'Nâng cao'. Các siêu tham số và biến đã được mô hình sử dụng cũng được hiển thị, cho phép chúng ta hiểu rõ hơn về thành phần mô hình.
Khi chúng tôi hài lòng với mô hình được đào tạo, nó có thể được sử dụng với dữ liệu mới bằng cách chọn tab 'Mô hình trực tiếp' nơi các dự đoán có thể được tạo bằng tập dữ liệu mới. Giá trị dự đoán cũng có thể được nhập tương tác dưới dạng và dự đoán được tạo nhanh chóng:
API cũng có thể được sử dụng để tích hợp mô hình vào ứng dụng hiện có của bạn (ứng dụng web, ứng dụng dành cho thiết bị di động, v.v.) . Nhấp vào 'Tab API trực tiếp' và tất cả các chi tiết của API được hiển thị:
Cuối cùng, mô hình đã đào tạo cũng có thể được xuất và sử dụng trực tiếp trong Python bằng cách làm theo hướng dẫn trong tab 'Mô hình xuất':
Ví dụ trên đã chứng minh việc sử dụng nền tảng AI Actable để phân tích dữ liệu và tạo ra một mô hình dự đoán có khả năng ước tính cường độ nén bê tông dựa trên các yếu tố như tuổi, lượng xi măng, lượng nước, v.v. Chúng tôi cũng đã thu được một số hiểu biết sâu sắc về các biến ảnh hưởng nhiều nhất đến dự đoán, giúp chúng tôi hiểu mô hình và các tính năng phù hợp nhất ảnh hưởng đến cường độ nén bê tông. Do đó, AI có thể hành động giúp dễ dàng xác định cách điều chỉnh các biến của chúng tôi để đạt được cường độ nén bê tông mong muốn.
Thông tin thêm về các chức năng khác của nền tảng cũng có thể được tìm thấy trong tài liệu hướng dẫn người dùng.
