Με πάνω από 20 χρόνια εμπειρίας, μεταμορφώνουμε την ψηφιακή σας παρουσία. Εξειδικευόμαστε στην κατασκευή ιστοσελίδων και E-Shop, το SEO και το Digital Marketing, τα ERP λογισμικά και τους έξυπνους αυτοματισμούς που απογειώνουν την επιχείρησή σας.
Διεύθυνση:
Εγνατία 154, Θεσσαλονίκη 546 36
Τηλέφωνο:
+30 231 231 4095
E-mail:
[email protected]
Έτοιμοι για το επόμενο βήμα;
Το QHAdamW βελτίωσε την πρόβλεψη AQI σε δεδομένα PM2.5 και PM10 της Μανίλα, αλλά ένα ασφαλές warning system απαιτεί πολύ περισσότερα από χαμηλότερο RMSE.
Απάντηση πρώτα: το QHAdamW βελτίωσε τα μέσα αποτελέσματα ενός συγκεκριμένου feed-forward νευρωνικού δικτύου έναντι του Adam σε ωριαία δεδομένα PM2.5 και PM10 από έναν σταθμό της Μανίλα. Η μελέτη δείχνει ότι ο optimizer μπορεί να αλλάξει ουσιαστικά την εκπαίδευση χωρίς να αλλάξει η αρχιτεκτονική· δεν αποδεικνύει όμως ότι το μοντέλο είναι έτοιμο για αυτόματες δημόσιες προειδοποιήσεις ή ότι θα γενικεύσει σε άλλη πόλη.
Για μια επιχείρηση ή έναν οργανισμό που σχεδιάζει forecasting προϊόν, το κρίσιμο μάθημα είναι ευρύτερο από το χαμηλότερο RMSE. Αισθητήρες, χρονικά splits, hyperparameter search, επαναλαμβανόμενα runs, calibration στα κατώφλια, monitoring και ανθρώπινη έγκριση αποτελούν μία αλυσίδα. Αν ένας κρίκος δεν έχει ελεγχθεί, το καλύτερο offline metric παραμένει ερευνητική ένδειξη και όχι άδεια για deployment.
Η εργασία «Enhanced Artificial Neural Networks Using QHAdamW in Air Quality Forecasting» απομονώνει μια συγκεκριμένη τεχνική μεταβλητή: τον αλγόριθμο βελτιστοποίησης που ενημερώνει τα βάρη του νευρωνικού δικτύου. Διατηρεί ένα feed-forward ANN και συγκρίνει τον κλασικό Adam με τον υβριδικό QHAdamW για χωριστή πρόβλεψη του Air Quality Index των PM2.5 και PM10.
Αυτός ο σχεδιασμός επιτρέπει να αποδοθεί πιο καθαρά μια διαφορά επίδοσης στον optimizer. Δεν είναι benchmark όλων των σύγχρονων μοντέλων χρονοσειρών, ούτε σύγκριση με LSTM, transformers, gradient boosting ή πιθανοτικά forecasting συστήματα. Το σωστό claim είναι ότι το QHAdamW ήταν καλύτερο από το συγκεκριμένο Adam baseline στο συγκεκριμένο ANN και dataset.
Η διάκριση αφορά άμεσα και την επιλογή τεχνολογίας σε πραγματικό έργο. Όπως εξηγεί ο οδηγός για το ποιο AI μοντέλο αξίζει για μια επιχείρηση, η απόφαση δεν πρέπει να γίνεται μόνιμο στοίχημα σε ένα όνομα. Χρειάζεται συγκρίσιμο πρωτόκολλο, κόστος λειτουργίας, δυνατότητα παρακολούθησης και ασφαλής έξοδος όταν αλλάζουν τα δεδομένα.
Το dataset προήλθε από σταθμό του Environmental Management Bureau στην περιοχή Mehan Garden της Μανίλα και καλύπτει την περίοδο Ιανουάριος 2020 έως Δεκέμβριος 2024. Η εργασία αναφέρει 14.328 ωριαίες παρατηρήσεις συγκεντρώσεων PM2.5 και PM10. Οι τιμές μετατράπηκαν σε AQI με παρεμβολή ανάμεσα στα όρια της αντίστοιχης κατηγορίας.
Τα features κανονικοποιήθηκαν στο διάστημα 0 έως 1 και τα κενά συμπληρώθηκαν με γραμμική παρεμβολή. Αυτές οι επιλογές δεν είναι ουδέτερες. Η παρεμβολή μπορεί να είναι πρακτική για σύντομα κενά, αλλά σε μεγάλη βλάβη αισθητήρα ή σε απότομο επεισόδιο ρύπανσης μπορεί να λειάνει ακριβώς την ακραία συμπεριφορά που ένα warning system πρέπει να εντοπίσει.
Ένα dashboard παρατήρησης απαντά «τι μετρά ο σταθμός τώρα». Ένα forecasting layer επιχειρεί να απαντήσει «τι πιθανόν θα ακολουθήσει» και συνδέεται με απόφαση. Η μετάβαση από δεδομένα σε απόφαση είναι το σημείο όπου οι analytics πλατφόρμες χρειάζονται σαφή επιχειρησιακό σκοπό, όχι απλώς περισσότερα γραφήματα.
Ο Adam διατηρεί κινούμενους μέσους της κλίσης και του τετραγώνου της κλίσης, ώστε να προσαρμόζει το βήμα ενημέρωσης ανά παράμετρο. Το QHAdam προσθέτει quasi-hyperbolic weighting: συνδυάζει την άμεση πληροφορία της τρέχουσας κλίσης με την εξομαλυμένη πληροφορία του momentum. Έτσι, ο μηχανισμός μπορεί να αντιδρά σε νέο σήμα χωρίς να εγκαταλείπει τη σταθερότητα της ιστορικής τάσης.
Το AdamW αποσυνδέει το weight decay από την ενημέρωση που προκύπτει από τη loss function. Η επιλογή αυτή επιτρέπει στο regularization να εφαρμόζεται ως ξεχωριστός μηχανισμός και διευκολύνει την ανεξάρτητη αναζήτηση learning rate και weight decay. Το QHAdamW συνδυάζει την quasi-hyperbolic ενημέρωση με αυτό το decoupled weight decay.
Η συμβολή της μελέτης δεν είναι νέο δίκτυο πρόβλεψης. Είναι η δοκιμή αυτού του optimizer ως drop-in αντικατάσταση στον ίδιο broad ANN σχεδιασμό. Για ένα data team, αυτό είναι χρήσιμη υπενθύμιση ότι περισσότερα layers και μεγαλύτερο compute δεν είναι η μόνη οδός βελτίωσης. Η διαδικασία optimization, οι αρχικές τιμές και το validation protocol μπορούν να αλλάξουν το αποτέλεσμα ακόμη και όταν το model graph μένει ίδιο.
Το feed-forward multilayer ANN υλοποιήθηκε σε PyTorch 2.0. Η εργασία περιγράφει δύο κρυφά layers με 64 neurons το καθένα και tanh activation, ενώ η έξοδος είναι ένας neuron που προβλέπει AQI. Ως inputs αναφέρονται η συγκέντρωση του εκάστοτε ρύπου και χρονικοί δείκτες. Η εκπαίδευση έγινε για έως 100 epochs με batch size 32 και early stopping πάνω στο validation loss.
Για το hyperparameter tuning δοκιμάστηκαν learning rates 0,1, 0,01 και 0,001, weight decay στις ίδιες τρεις τιμές και epsilon 0,1, 0,01 και 0,001. Κάθε configuration εκτελέστηκε ανεξάρτητα δέκα φορές με διαφορετικά random seeds και τα αποτελέσματα συνοψίστηκαν περιγραφικά. Το paper αναφέρει 0,01 και 0,001 ως τις σημαντικές τελικές ρυθμίσεις, αλλά οι βέλτιστοι συνδυασμοί διαφέρουν ανά ρύπο.
Η κλίμακα της αξιολόγησης που περιγράφει το paper
Οι τιμές αφορούν αποκλειστικά το πείραμα ενός σταθμού στη Μανίλα και δεν αποτελούν δείκτες παραγωγικής αξιοπιστίας.
Η επανάληψη μειώνει τον κίνδυνο να παρουσιαστεί ένα τυχερό initialization ως σταθερή βελτίωση. Δεν αντικαθιστά όμως χρονικό holdout, εξωτερικό σταθμό ή confidence intervals. Τα δέκα runs με seeds μετρούν μεταβλητότητα εκπαίδευσης· δεν μετρούν μεταβλητότητα πόλης, εποχής, hardware ή αισθητήρα.
Στον πίνακα των μέσων αποτελεσμάτων, το QHAdamW είχε RMSE 6,256 έναντι 6,713 του Adam για PM2.5, δηλαδή αναφερόμενη σχετική διαφορά 7,30%. Το MAE ήταν 3,881 έναντι 4,045 και το R² 0,669 έναντι 0,618. Για PM10, το RMSE ήταν 14,407 έναντι 14,852, το MAE 9,265 έναντι 9,546 και το R² 0,576 έναντι 0,550.
PM2.5
Η μέση σύγκριση ευνοεί καθαρά το QHAdamW: χαμηλότερα RMSE και MAE και υψηλότερο R² από τον Adam στα δέκα runs.
PM10
Το QHAdamW παραμένει καλύτερο στο reported average, αλλά η απόσταση από τον Adam είναι μικρότερη και το R² μένει χαμηλότερο από του PM2.5.
Operational gate
Κανένα μέσο metric δεν ορίζει μόνο του αν επιτρέπεται alert. Χρειάζονται επιδόσεις στα thresholds, calibration και κόστος false alarm ή χαμένης προειδοποίησης.
Οι αριθμοί τεκμηριώνουν υπεροχή έναντι του επιλεγμένου baseline, όχι απόλυτη ακρίβεια. Το R² 0,576 για PM10, για παράδειγμα, αφήνει σημαντικό μέρος της διακύμανσης ανεξήγητο. Σε ένα public-facing προϊόν, το ερώτημα δεν είναι μόνο ποιο optimizer κερδίζει, αλλά αν η υπολειπόμενη αβεβαιότητα είναι αποδεκτή για τη συγκεκριμένη ενέργεια.
Το ίδιο ισχύει σε κάθε πρόβλεψη φυσικού συστήματος. Το άρθρο για το STCO και τις προβλέψεις όταν αλλάζει το μέλλον του συστήματος δείχνει γιατί η συμπεριφορά μετά από μια παρέμβαση δεν πρέπει να συγχέεται με το offline fit πάνω σε ιστορικά δεδομένα.
Η εργασία παρουσιάζει και κατηγορική ακρίβεια AQI. Για PM2.5, το QHAdamW έδωσε 6.965 σωστές προβλέψεις ή 53,05%, έναντι 6.788 και 51,71% του Adam. Για PM10, έδωσε 11.557 σωστές προβλέψεις ή 88,03%, έναντι 10.403 και 79,24% του Adam.
Η μεγάλη απόσταση ανάμεσα στο 53,05% και το 88,03% δεν επιτρέπει ενιαία γλώσσα βεβαιότητας. Ένα interface που εμφανίζει τις δύο προβλέψεις με το ίδιο χρώμα, confidence label ή automation rule θα έκρυβε ουσιώδη διαφορά. Το model card και το dashboard πρέπει να ξεχωρίζουν ρύπο, forecast horizon, κατηγορία, απόσταση από threshold και επάρκεια δεδομένων.
Η συνολική accuracy δεν αρκεί επίσης για σπάνιες αλλά σοβαρές κατηγορίες. Αν οι περισσότερες ώρες ανήκουν σε συνηθισμένα επίπεδα AQI, ένα υψηλό aggregate ποσοστό μπορεί να συνυπάρχει με χαμηλή recall στα κρίσιμα επεισόδια. Πριν από alerting χρειάζονται confusion matrix ανά κατηγορία, precision και recall στις ακραίες τιμές, calibration και αξιολόγηση του χρόνου προειδοποίησης.
Στις δέκα δοκιμές PM2.5, ο πίνακας validation loss αναφέρει μέση μείωση 30,93% για QHAdamW και 8,49% για Adam. Αυτό στηρίζει την ιδέα ότι ο υβριδικός optimizer μπορεί να συγκλίνει πιο σταθερά στον συγκεκριμένο στόχο. Δεν πρέπει όμως να μετατραπεί σε claim ότι η πρόβλεψη είναι «30,93% ακριβέστερη»: το ποσοστό περιγράφει μείωση loss από αρχική σε τελική τιμή μέσα στη διαδικασία εκπαίδευσης.
Για PM10, ο αντίστοιχος πίνακας δίνει μέση μείωση validation loss 18,35% για QHAdamW και 10,79% για Adam. Σε ξεχωριστό συνοπτικό πίνακα όμως η τελική validation loss εμφανίζεται οριακά υψηλότερη για QHAdamW, 0,002203 έναντι 0,002177, ενώ και η training loss είναι 0,002147 έναντι 0,001985. Άρα, το γενικό συμπέρασμα «χαμηλότερο loss παντού» δεν υποστηρίζεται με τον ίδιο τρόπο από κάθε πίνακα.
Υπάρχει και ασάφεια στο split. Η μέθοδος αναφέρει 70% training και 15% testing, ενώ χρησιμοποιεί validation loss και early stopping χωρίς να δηλώνει καθαρά στο ίδιο σημείο την κατανομή του υπολοίπου. Πριν από αναπαραγωγή χρειάζονται ακριβή indices, χρονική σειρά του split, seed policy, leakage checks, χειρισμός missing values ανά partition και ο ακριβής forecast horizon.
Η πιθανή εφαρμογή είναι η υποστήριξη υπηρεσιών περιβαλλοντικής διαχείρισης με έγκαιρες ενημερώσεις. Για να γίνει αυτό, ο optimizer πρέπει να ενταχθεί σε ολόκληρο operational σύστημα: ingestion από αισθητήρες, quality gates, versioned transformations, model registry, monitoring drift, threshold policy, audit trail και fallback όταν η είσοδος είναι ελλιπής ή εκτός κατανομής.
Η πρόβλεψη συγκέντρωσης και η επικοινωνία κινδύνου είναι διαφορετικά layers. Μικρό αριθμητικό σφάλμα κοντά σε όριο AQI μπορεί να αλλάξει κατηγορία και μήνυμα. Το UI πρέπει να δείχνει την πρόβλεψη μαζί με χρόνο ισχύος, εύρος αβεβαιότητας, ποιότητα τελευταίων μετρήσεων και σαφή ένδειξη όταν η ανθρώπινη επιβεβαίωση εκκρεμεί.
Deployment gate για AQI forecasting
Το καλύτερο offline RMSE δεν ενεργοποιεί μόνο του δημόσια προειδοποίηση
Προχωρήστε από shadow mode σε advisory χρήση μόνο όταν το μοντέλο περνά rolling temporal holdouts, εξωτερικό σταθμό, calibration ανά κατηγορία, δοκιμές missing data και προκαθορισμένα όρια ανθρώπινης έγκρισης. Κάθε alert πρέπει να διατηρεί sensor provenance, έκδοση μοντέλου και λόγο ενεργοποίησης.
Αυτό είναι εφαρμογή της ίδιας λογικής που μετατρέπει τα δεδομένα σε ελεγχόμενη λειτουργία: ο model owner δεν αρκεί να παρακολουθεί mean loss, ενώ ο operations owner δεν αρκεί να βλέπει ένα dashboard. Χρειάζονται κοινά acceptance criteria για data freshness, tail events, latency, false alarms και rollback.
Το NIST AI RMF οργανώνει αυτή τη δουλειά ως συνεχή κύκλο govern, map, measure και manage. Η πρακτική αξία για ένα forecasting pipeline είναι ότι οι ρόλοι, τα thresholds και η παρακολούθηση δεν προστίθενται μετά το μοντέλο. Σχεδιάζονται μαζί του και επανεξετάζονται σε όλο τον κύκλο ζωής.
Ο πρώτος περιορισμός είναι γεωγραφικός. Ένας σταθμός στη Μανίλα δεν αντιπροσωπεύει άλλες πόλεις, μικροκλίματα, πυκνότητες κυκλοφορίας, πηγές εκπομπών ή διαφορετικό hardware. Το πρόσφατο παράδειγμα για geographic domain shift δείχνει γιατί ένα μοντέλο που αποδίδει σε μία αγορά χρειάζεται νέα αξιολόγηση πριν ταξιδέψει σε άλλη.
Ο δεύτερος περιορισμός είναι η στενή baseline σύγκριση. Η απομόνωση QHAdamW έναντι Adam είναι χρήσιμη για το research question, αλλά δεν απαντά αν το feed-forward ANN είναι η καλύτερη επιλογή. Ένα deployment review πρέπει να συμπεριλάβει απλούστερα statistical baselines, tree-based μοντέλα και κατάλληλες temporal architectures με ίδιο split και ίδιο compute budget.
Ο τρίτος είναι η αναπαραγωγιμότητα. Το paper δίνει αρχιτεκτονική, hyperparameter ranges, metrics και πολλούς πίνακες, αλλά ένα production team χρειάζεται εκτελέσιμο code path, versioned dataset, ακριβείς partitions, deterministic preprocessing και πλήρη protocol αποφυγής leakage. Χωρίς αυτά, το αποτέλεσμα δεν είναι ακόμη ανεξάρτητα επαναλήψιμο.
Ο τέταρτος είναι η απόσταση ανάμεσα σε forecast και outcome. Η εργασία μετρά σφάλμα AQI και κατηγορική ακρίβεια, όχι αν μια ειδοποίηση έφτασε έγκαιρα, αν έγινε κατανοητή ή αν ο οργανισμός πήρε καλύτερη απόφαση. Όπως στο PEACE framework για ψηφιακές παρεμβάσεις, τεχνική επίδοση, αποδοχή, παρενέργειες και πραγματική αποτελεσματικότητα είναι διαφορετικές διαστάσεις.
Ένα pilot για AQI forecasting μπορεί να ξεκινήσει χωρίς να στέλνει δημόσιες προειδοποιήσεις. Το ασφαλές πρώτο προϊόν είναι shadow ή analyst-assist layer που συγκρίνει προβλέψεις με μεταγενέστερες μετρήσεις, καταγράφει τις αποτυχίες και επιτρέπει στους ειδικούς να διαμορφώσουν thresholds πριν δοθεί αυτονομία.
Επτά βήματα από τον σταθμό μέτρησης σε ελέγξιμη πρόβλεψη AQI
Δηλώστε αν η πρόβλεψη αφορά μία, έξι ή είκοσι τέσσερις ώρες και ποια ενέργεια μπορεί να υποστηρίξει σε κάθε χρονικό ορίζοντα.
Καταγράψτε calibration, missing intervals, maintenance, timezone και κανόνες interpolation ώστε κάθε prediction να συνδέεται με αναπαραγώγιμη είσοδο.
Εκπαιδεύστε μόνο στο παρελθόν και αξιολογήστε σε μεταγενέστερα παράθυρα, με ξεχωριστό σταθμό ή περίοδο για τελική εξωτερική δοκιμή.
Κρατήστε ίδια δεδομένα, seeds, compute budget και stopping rules για Adam, QHAdamW και εναλλακτικά statistical ή temporal baselines.
Προσθέστε precision, recall, calibration και lead time ανά κατηγορία AQI, με ιδιαίτερη έμφαση στις σπάνιες υψηλές συγκεντρώσεις.
Αποθηκεύστε prediction, confidence, sensor quality, πιθανό alert και τελική απόφαση ειδικού χωρίς αυτόματη επικοινωνία προς το κοινό.
Συμφωνήστε thresholds για drift, καθυστερημένα δεδομένα και ασυνήθιστη αβεβαιότητα, μαζί με σαφή επιστροφή σε παρατήρηση ή χειροκίνητη ενημέρωση.
Στην πράξη, το pilot πρέπει να παράγει δύο αποτελέσματα: τεκμηρίωση για το αν ο QHAdamW διατηρεί το πλεονέκτημά του εκτός του αρχικού setup και λειτουργικό evidence για το πώς συμπεριφέρεται ολόκληρη η ροή. Το δεύτερο συχνά αποδεικνύεται πιο κρίσιμο από το πρώτο.
Η μελέτη δίνει μια συγκεκριμένη και χρήσιμη ένδειξη: σε feed-forward ANN με δεδομένα PM2.5 και PM10 της Μανίλα, το QHAdamW πέτυχε καλύτερους μέσους δείκτες από τον Adam. Το αποτέλεσμα αξίζει αναπαραγωγή επειδή δείχνει ότι μια στοχευμένη αλλαγή στον optimizer μπορεί να προσφέρει όφελος χωρίς πιο σύνθετη αρχιτεκτονική.
Ταυτόχρονα, το paper δεν κλείνει τα ερωτήματα για temporal leakage, εξωτερική γενίκευση, επιδόσεις ανά κρίσιμη κατηγορία, code reproducibility και operational impact. Οι ασυμφωνίες στους πίνακες loss του PM10 είναι λόγος για προσεκτικότερο πείραμα, όχι λόγος να αγνοηθεί η συνολική μέση βελτίωση.
Για data και product teams, το συμπέρασμα είναι πρακτικό: δοκιμάστε τον optimizer, αλλά αξιολογήστε το σύστημα. Ένα forecasting προϊόν χρειάζεται απόδειξη για την είσοδο, το split, το μοντέλο, το threshold, την εμπειρία του χρήστη και την ανθρώπινη απόφαση. Μόνο τότε το «χαμηλότερο σφάλμα» μπορεί να μετατραπεί σε ασφαλέστερη λειτουργία.
Από forecast prototype σε ελέγξιμο σύστημα
Συνδέστε το μοντέλο με δεδομένα, thresholds και ανθρώπινη έγκριση
Η TWO DOTS σχεδιάζει AI και automation workflows με data quality gates, observability, versioned αποφάσεις, approvals και fallback, ώστε μια πρόβλεψη να εντάσσεται σε μετρήσιμη επιχειρησιακή ροή.
Συχνές ερωτήσεις
Είναι optimizer που συνδυάζει την quasi-hyperbolic ενημέρωση του QHAdam με το decoupled weight decay του AdamW.
Χρησιμοποίησε 14.328 ωριαίες παρατηρήσεις PM2.5 και PM10 από σταθμό στη Μανίλα, για την περίοδο Ιανουάριος 2020 έως Δεκέμβριος 2024.
Το QHAdamW είχε χαμηλότερα μέσα RMSE και MAE και υψηλότερο R² και για τους δύο ρύπους στα δέκα επαναλαμβανόμενα runs.
Η εργασία αναφέρει 53,05% σωστές προβλέψεις για PM2.5 και 88,03% για PM10 με QHAdamW, διαφορά που απαιτεί χωριστή αξιολόγηση ανά ρύπο.
Επειδή ένα warning system χρειάζεται επίσης calibration στα thresholds, επίδοση στα ακραία επεισόδια, ποιοτικά δεδομένα και γνωστό κόστος false alarm ή χαμένης προειδοποίησης.
Όχι χωρίς νέα εκπαίδευση ή αυστηρή εξωτερική επικύρωση, καθώς το dataset προέρχεται από έναν σταθμό και δεν αποδεικνύει γεωγραφική γενίκευση.
Η αναφορά δεν ορίζει καθαρά όλο το train-validation-test split στο ίδιο σημείο και οι συνοπτικοί πίνακες PM10 δεν στηρίζουν όλοι το ίδιο claim για χαμηλότερο loss.
Ότι το πλεονέκτημα διατηρείται σε rolling χρονικά splits και άλλους σταθμούς, ενώ τα alerts παραμένουν βαθμονομημένα, επεξηγήσιμα και ασφαλή σε missing ή shifted δεδομένα.
Πηγές
