Возвраты и возмещения по заказам в Telemadata Shop

[rochona]

распределенные вычисления : использование многопроцессорной обработки с использованием библиотеки ray для распараллеливания, которая может быть опционально включена пользователем при работе с большими наборами данных или количеством переменных для более быстрых вычислений. она может обеспечить ускорение примерно в 5 раз в зависимости от размера данных (количества переменных и количества выборок).
целевое причинное обнаружение : в некоторых случаях мы поддерживаем целевое причинное обнаружение, в котором пользователь заинтересован только в обнаружении причинных родителей определенной интересующей переменной, а не всего причинного графика. эта опция снижает вычислительные издержки.
визуализация : визуализация табличных и временных рядов причинно-следственных графиков.
знания предметной области : включение любых предоставленных пользователем частичных априорных знаний о причинно-следственном графе в процесс причинно-следственного обнаружения.
пользовательский интерфейс без кода : предоставить пользовательский интерфейс без кода, в котором пользователи могут напрямую загружать свои данные и выполнять желаемый выбор алгоритма причинно-следственного анализа одним нажатием кнопки.
алгоритмы
в настоящее время мы поддерживаем алгоритм pc, причинность грейнджера и varlingam для обнаружения причин временных рядов, а также алгоритм pc для табличного обнаружения причин. для причинного вывода мы в настоящее время изучаем условные модели на основе причинного графика для моделирования процесса генерации данных для оценки контрфактуальностей с учетом вмешательства.

в будущих версиях мы планируем добавить в библиотеку больше алгоритмов как для обнаружения причин, так и для причинно-следственного вывода.

сравнение с существующими библиотеками

в таблице выше показано сравнение некоторых ключевых возможностей, предлагаемых нашей библиотекой, с существующими библиотеками. ключевыми отличительными чертами нашей библиотеки являются параллелизация и простой в использовании пользовательский интерфейс, которые направлены на то, чтобы сделать каузальный анализ более масштабируемым и удобным для пользователя.

узнать больше
salesforce ai приглашает вас глубже погрузиться в концепции, обсуждаемые в этой записи блога (ссылки ниже). присоединяйтесь к нам в социальных сетях и в нашем списке рассылки, чтобы получать регулярные обновления по этому и другим исследовательским проектам.

статья : узнайте больше о библиотеке salesforce causalai, прочитав нашу исследовательскую статью .

Github : ознакомьтесь с нашим кодом и предварительно обученными моделями здесь .

деванш арпит — старший научный сотрудник salesforce ai. он получил Магазин степень доктора философии в области компьютерных наук в университете буффало. в salesforce он работает на стыке оптимизации и обобщения в области глубокого обучения, обобщения доменов, аналитики временных рядов и причинного анализа. до прихода в salesforce он был постдокторантом в mila под руководством профессора йошуа бенджио.

хуан карлос ниблес получил степень инженера по электронике в университете дель норте (колумбия) в 2002 году, степень магистра по электротехнике и вычислительной технике в иллинойсском университете в урбана-шампейн в 2007 году и степень доктора философии по электротехнике в принстонском университете в 2011 году. с 2021 года он является директором по исследованиям в salesforce и внештатным профессором компьютерных наук в стэнфорде. он является содиректором стэнфордской лаборатории vision and learning.