SodaPy.com

O que faz?

Ajustei o Gemini com um conjunto de dados do governo. O conjunto de dados foi processado: engenharia de recursos, testes etc. Combinei o Gemini com modelos ARIMA e XGboost para criar um conjunto de três modelos. Isso reduziu minha MAE para cerca de 6. No começo, eu recebia previsões de todos os estados dos EUA, mas isso exigia muitas solicitações de dados da API, o que atrapalhou o site. Mas o Gemini ajustado fez uma boa previsão do consumo de refrigerantes em todos os estados. O fine-Gemini teve um bom desempenho nas previsões, mas com um MAE muito alto. Portanto, ARIMA e XGBOOST foram usados principalmente para reduzir significativamente a MAE, mas o Gemini otimizado já estava produzindo ótimos resultados de previsão do consumo de refrigerantes quando comparado ao conjunto de dados original do governo. Portanto, o verdadeiro poder das previsões de consumo de refrigerantes vem do Gemini ajustado. Foi no Texas que fiz a cirurgia para doar meu rim para meu pai por causa da insuficiência renal dele. Então, é bom se concentrar no consumo futuro de refrigerantes no Texas para resolver os problemas renais. Agora que sabemos do consumo de refrigerante, podemos pedir que as pessoas façam um teste de urina anônimo/voluntário, que é a melhor ferramenta para medir a insuficiência renal no estágio 1. Na fase 5, já é tarde demais, e as pessoas precisam de cirurgia. Portanto, com as previsões de consumo de refrigerantes, podemos nos concentrar na etapa 1, a abordagem de prevenção. Elimine a insuficiência renal na raiz. Usei o Vertex AI e o balanceador de carga/Cloud Run do GCP. Usei as Ferramentas para desenvolvedores do Chrome para verificar problemas de latência da API.