Применение методов и моделей прогнозирования

F.A.Q. Часто задаваемые вопросы
1

Добрый день, коллеги.
Просьба описать возможные варианты реализации и использования в системе Luxms моделей прогнозирования.

Как мы понимаем, это можно сделать на уровне БД что используется в системе. Просьба описать какие библиотеки для этого использовали (желательно для Postgres или Clickhouse). Возможно есть стенд где это решение нам можно изучить самостоятельно.

Если есть вариант с реализацией прогнозной модели в рамках Databoring, то так же просим описать пример данного решения. Возможно есть стенд где нам это решение можно изучить самостоятельно.

2

Добрый день!
Коробочное решение содержит ряд аналитических функций, поддерживающихся в разных базах (postgresql, clickhouse, oracle, ms sql, mysql):
“mode”,
“median”,
“var_pop”,
“var_samp”,
“stddev_pop”,
“stddev_samp”
Каждую из функций вы можете указать, как возможный вариант агрегации, при настройке measures.

На проектах, где требовалось прогнозирование, мы воссоздавали алгоритм прогноза внутри SQL запроса.
Для примера:

Итоговый вид линейного тренда на графике:

Также могу для примера привести ссылки создания прогнозов:

https://towardsdatascience.com/basic-statistical-forecasting-in-postgresql-c1d38143bb41

В плане библиотек для постгреса можете рассмотреть расширение PL/R, но оно не входит в коробочное решение LUXMS BI. Вы можете самостоятельно поставить его и поэкспериментировать.

3

Понял. Спасибо.

4

Коллеги, скажите пожалуйста, возможно ли использовать для решения данной задачи модуль Luxms ML?

если есть коробочное решение, то оно более интересно чем кастомная разработка на SQL и расширении Постгреса PL/R

5 
    Luxms ML – это решение на базе Luxms BI, которое может быть разработано под заказ с
использованием готовых компонентов. Стоимость и сроки развертывания квотируются под
запрос, с учетом конкретных требований заказчика.
В настоящее время поддерживаются два варианта:
  - интерактивная работа с AI/ML моделью, вызываемой из СУБД напрямую, в том числе с
вычислениями в массивно-параллельном режиме (пример работы с методами библиотеки
MADlib можно увидеть ниже), когда пользователь прямо на дэшборде задает конкретные
параметры/гипер-параметры модели, и вычисленные результаты возвращаются в
информационную панель в преднастроенном визуальном формате;
  - предварительные расчеты на основе AI/ML моделей на этапе подготовки данных в
инструментарии Luxms DataBoring (ETL/ELT). При этом есть возможность прогнать модель с
разными параметрами и настроить вывод на дэшборды результатов для сравнительного
анализа.

Более подробно в прилагаемом файле

Luxms ML.pdf (419.01 KiB)

6

Спасибо. Коллеги.