एक एग्जीक्यूटिव ‘चर्न फोरकास्ट’ (ग्राहकों के छोड़कर जाने का अनुमान) मांगता है, जिसका इस्तेमाल वे अगली तिमाही के लिए ‘रिटेंशन बजट’ तय करने में कर सकें। आपके पास 48 घंटे हैं, डेटा का जाना-पहचाना सोर्स (वेयरहाउस) है, और एक सटीक नंबर देने का दबाव है। AI आपको तेज़ी से काम करने में मदद कर सकता है, लेकिन जवाबदेही उसकी नहीं हो सकती। अगर मॉडल की वजह से गलत खर्च होता है, तो उसके बाद होने वाली विफलता के लिए एनालिस्ट और उसे लागू करने वाली संस्था ज़िम्मेदार होगी।
प्रेडिक्टिव काम में, मुख्य ज़िम्मेदारी वही रहती है। आपको टारगेट तय करना होगा, डेटा लीकेज रोकना होगा, ‘आउट-ऑफ-सैंपल’ मूल्यांकन करना होगा और यह बताना होगा कि मॉडल किन चीज़ों का इस्तेमाल कर रहा है। AI कोड लिख सकता है, फ़ीचर सुझा सकता है और डायग्नोस्टिक्स का सारांश दे सकता है। आपको यह पक्का करना होगा कि परिभाषाएँ बिज़नेस के हिसाब से हों और मूल्यांकन फ़ैसले के अनुरूप हो।
इस कोर्स का व्यावहारिक तरीका आसान है। AI का इस्तेमाल करके शुरुआती काम (वर्क प्रोडक्ट्स) तैयार करें, और फिर जहाँ गलतियों से फ़ैसले में जोखिम हो सकता है, वहाँ एनालिस्ट से मंज़ूरी (साइन-ऑफ़) लें।
प्रेडिक्टिव काम का नतीजा एक चेन की तरह होता है। हर कड़ी (लिंक) में अलग तरह की गलती हो सकती है, और AI अक्सर ऐसे आउटपुट देता है जो सही लगते हैं, भले ही कोई कड़ी गलत हो।
देखें कि मुख्य चरण कैसे जुड़े हैं और AI कहाँ मदद कर सकता है।
आपके साइन-ऑफ सिर्फ़ “स्टेप्स” नहीं हैं। ये ओनरशिप (ज़िम्मेदारी) के पॉइंट्स हैं।
प्रॉब्लम वाले स्टेज पर, फ़ैसले के संदर्भ (context) की ज़िम्मेदारी आपकी होती है। AI टारगेट मेट्रिक्स का सुझाव दे सकता है, लेकिन आप वह चुनते हैं जो बिज़नेस के काम करने के तरीके से मेल खाता हो। डेटा वाले स्टेज पर, लेबल की परिभाषा और टाइम विंडोइंग की ज़िम्मेदारी आपकी होती है। AI SQL का ड्राफ़्ट बना सकता है, लेकिन जॉइन्स, ग्रेन और मिसिंग डेटा को आप वेरिफ़ाई करते हैं क्योंकि एक साइलेंट जॉइन एक्सप्लोजन लर्निंग प्रॉब्लम को बदल देता है।
वैलिडेशन स्टेज पर, ट्रेन-टेस्ट प्रोसेस की ज़िम्मेदारी आपकी होती है। AI train_test_split का सुझाव दे सकता है, लेकिन आप यह कन्फ़र्म करते हैं कि स्प्लिट टाइम स्ट्रक्चर से मेल खाता हो। अगर अगले महीने के लिए चर्न (churn) का अनुमान लगाया जा रहा है, तो रैंडम स्प्लिट भविष्य की जानकारी लीक कर देता है और मेट्रिक को अमान्य कर देता है।
इस कोर्स में, AI का मतलब LLM है। यह एक लार्ज लैंग्वेज मॉडल है जो ट्रेनिंग डेटा के पैटर्न से टेक्स्ट, कोड और स्ट्रक्चर्ड आउटपुट बनाता है। LLM आपके डेटाबेस की जांच तब तक नहीं करता जब तक आप उसे डेटा न दें, और उसे यह पता नहीं चल सकता कि कोई मेट्रिक आपके बिज़नेस फ़ैसले के लिए सही है या नहीं।
प्रॉम्प्ट वह निर्देश और संदर्भ है जो आप LLM को देते हैं। टोकन टेक्स्ट का एक हिस्सा होता है जिसे LLM पढ़ता और लिखता है; यह ज़रूरी है क्योंकि लंबी टेबल और लॉग अक्सर काट दिए जाते हैं। हैलुसिनेशन तब होता है जब LLM कोई भरोसेमंद बयान या कोड डिटेल बनाता है जो आपके इनपुट पर आधारित नहीं होता है।
जानें कि प्रेडिक्टिव मॉडलिंग के काम में AI कहाँ मज़बूत है और कहाँ फ़ेल हो जाता है।