GPM: generic predictive machine an automated machine learning framework for the prediction of a business’ financial evolution and other generic supervised learning problems

Abstract

One of the biggest problems for business owners, of both big and small companies, is the correct forecast of its financial evolution. This means that the owners in question need to spend a lot of time studying the economic issues that involve these situations and/or pay specialized workers to do a thorough study on the area. In addition, it becomes a constant, chronic and seasonal problem that demands to be solved. If there was a prediction system capable of forecasting and advising the owner of the company with enough precision to be reliable, one could save time, money and, above all, test or simulate the future with different parameters. This project then aims to complete a framework capable of encapsulating all the data-science work and knowledge needed to create good enough machine learning models that provide these predictions even to those without data-science knowledge and to any generic business. This framework goes by the name Generic Predictive Machine (GPM). Its performance, both in terms of accuracy of results and execution time in various different situations, as well as the process leading to its development and the development itself are thoroughly documented. The problem of having to create a generic system arises as every business’ data is inherently different and assumptions cannot be made on the developer’s end. Therefore the final application allows for the solving of a vast array of problems even if not related to economics and requires little knowledge about Machine Learning. The problem as a whole serves too as a vehicle for a deeper study on machine learning itself. Touching upon important aspects like, how far can such a system learn beyond the capabilities of the human who programmed it, how faster can it do it and what can it teach us about the inherent patterns in data that sometimes remain unnoticed to the human eye. In the process of answering these questions many works on the area are referenced that touch specific points of the theory behind machine learning, a final novel conclusion is then derived from the knowledge found among all related works as to take a step forward in the theory of machine learning as a whole.

Um dos maiores problemas para empresários, tanto de grandes como de pequenas empresas, e a previsão correta da sua evolução financeira. Isso significa que os empresários em questão precisam de despender bastante tempo a estudar as questões económicas que envolvem essas situações e/ou de pagar a trabalhadores especializados para fazerem um estudo completo e profundo sobre a área. Além disso, torna-se um problema constante, crónico e sazonal que exige ser resolvido. Se houvesse um sistema preditivo capaz de aconselhar o proprietário da empresa com precisão suficiente para ser confiável, poder-se-ia economizar tempo, dinheiro e, acima de tudo, testar e simular o futuro com diferentes parâmetros. Este projeto tem então o objetivo de construir uma ferramenta informática, de nome Generic Predictive Machine (GPM), capaz de encapsular todo o trabalho e conhecimento necessário para construir modelos de machine learning bons o suficiente para que utilizadores sem conhecimento profundo na área possam realizar previsões sobre o futuro financeiro de uma empresa genérica. O desempenho desta ferramenta, tanto em termos de acurácia dos resultados como de tempo de execução, assim como o processo que levou ao seu desenvolvimento estão então completamente documentados ao longo desta dissertação. Este problema levanta ainda a necessidade de criar um sistema preditivo genérico, já que os dados de cada empresa são inerentemente diferentes e, por isso, não podem ser feitas nenhum tipo de assunções por parte do programador. Desta forma, a aplicação final permite aos seus utilizadores solucionar uma vasta gama de problemas mesmo que estes não estejam relacionados com economia e não exige grande conhecimento prévio de machine learning. O problema como um todo serve também como um veículo para um estudo mais aprofundado sobre machine learning, tocando em aspetos importantes como, até onde pode a maquina aprender para além das capacidades do humano que a programou, quão mais rápido a máquina pode aprender e o que a máquina nos pode ensinar sobre os padrões inerentes aos dados que recebe e que por vezes permanecem despercebidos ao olhar humano. Ao responder a estas questões, muitos trabalhos que abordam pontos específicos da teoria por trás de machine learning são referenciados, chegando-se assim a uma conclusão final derivada do conhecimento encontrado entre todos estes estudos relacionados com o intuito de dar um passo em frente na teoria de machine learning como um todo.