SodaPy.com

Qué hace

Ajusté Gemini con un conjunto de datos del Gobierno. Se procesó el conjunto de datos: ingeniería de atributos, pruebas, etcétera. Combiné mi Gemini ajustado con los modelos ARIMA y XGboost para crear un conjunto de 3 modelos. Esto redujo mi MAE a alrededor de 6. Al principio, recibía predicciones de todos los estados de EE.UU., pero eso generaba muchas solicitudes de datos de la API, lo que ralentizaba el sitio web. Sin embargo, Gemini ajustado a la perfección tuvo un buen desempeño en la predicción del consumo de refrescos para todos los estados. El modelo fine-Gemini tuvo un buen rendimiento con las predicciones, pero con un MAE muy alto. Por lo tanto, ARIMA y XGBOOST se usaron principalmente para reducir significativamente el MAE, pero Gemini ajustado por sí solo ya estaba produciendo excelentes resultados de previsión del consumo de refrescos en comparación con el conjunto de datos original del Gobierno. Por lo tanto, el verdadero poder de las predicciones de consumo de refrescos proviene de un Gemini ajustado. En Texas, me sometí a la cirugía para donar mi riñón a mi padre debido a su insuficiencia renal. Por lo tanto, es bueno enfocarse en el consumo futuro de refrescos en Texas para abordar los problemas renales aquí. Ahora que sabemos sobre el consumo de refrescos, podemos pedirles a las personas que donen de forma anónima o voluntaria un análisis de orina, que es la mejor herramienta para medir la insuficiencia renal en etapa 1. Cuando se llega a la etapa 5 de la insuficiencia renal, ya es demasiado tarde, y las personas necesitan cirugía. Por lo tanto, con las predicciones de consumo de refrescos, podemos enfocarnos en la etapa 1, el enfoque de prevención. Elimina la insuficiencia renal de raíz. Usé Vertex AI y un balanceador de cargas o Cloud Run de GCP. Usé las herramientas para desarrolladores de Chrome para verificar los problemas de la API de latencia.