Prompt: Phân tích chuỗi thời gian để dự đoán tổn thất – Định phí Bảo hiểm AI – AI Insurance

Tuyệt vời! Với vai trò là một chuyên gia về kỹ thuật tạo lệnh (prompt engineering), tôi sẽ phân tích chi tiết mẫu prompt bạn cung cấp.

1. Phân tích Cấu trúc Prompt

Mẫu prompt này được thiết kế để yêu cầu một phân tích và dự báo chuỗi thời gian về dữ liệu tổn thất. Nó sử dụng các biến thể (placeholders) để cho phép người dùng tùy chỉnh các yếu tố đầu vào quan trọng. Cấu trúc bao gồm:

• Mục đích chính: Yêu cầu phân tích chuỗi thời gian và dự báo tổn thất.
• Dữ liệu đầu vào: Xác định rõ nguồn dữ liệu là “dữ liệu tổn thất lịch sử theo thời gian” và có một biến `[TÊN_TẬP_DL_THỜI_GIAN]` để người dùng chỉ định tên tệp hoặc tập dữ liệu cụ thể.
• Phương pháp phân tích: Đề xuất áp dụng các mô hình như ARIMA, Prophet và có một biến `[MÔ_HÌNH_CHUỖI_THỜI_GIAN]` để người dùng có thể chọn hoặc bổ sung thêm các mô hình phù hợp.
• Yếu tố cần xác định: Liệt kê rõ các thành phần của chuỗi thời gian cần phân tích là “yếu tố mùa vụ, xu hướng và tính chu kỳ”.
• Yêu cầu đầu ra (Dự báo): Xác định rõ hành động dự báo tổn thất cho các “khoảng thời gian tương lai” và có một biến `[KHOẢNG_THỜI_GIAN_DỰ_BÁO]` để người dùng chỉ định độ dài hoặc phạm vi của khoảng thời gian đó.
• Độ tin cậy: Yêu cầu mức độ tin cậy của dự báo với biến `[MỨC_ĐỘ_TIN_CẬY]`.

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, prompt này hướng dẫn một mô hình AI (hoặc một người thực hiện theo hướng dẫn) thực hiện các bước sau:

• Thu thập và tải dữ liệu: Mô hình sẽ tìm kiếm hoặc truy cập tập dữ liệu được chỉ định bởi `[TÊN_TẬP_DL_THỜI_GIAN]`. Dữ liệu này được giả định là có cấu trúc theo thời gian (ví dụ: ngày, tháng, năm) và chứa thông tin về “tổn thất”.
• Tiền xử lý dữ liệu (ngầm định): Mặc dù không được nêu rõ, việc phân tích chuỗi thời gian thường đòi hỏi các bước tiền xử lý như làm sạch dữ liệu, xử lý giá trị thiếu, và có thể là biến đổi dữ liệu để phù hợp với mô hình.
• Phân tích chuỗi thời gian:
  • Xác định xu hướng (Trend): Tìm kiếm sự tăng hoặc giảm liên tục trong dữ liệu theo thời gian.
  • Xác định tính mùa vụ (Seasonality): Nhận diện các mẫu lặp lại ở các khoảng thời gian cố định (ví dụ: hàng ngày, hàng tuần, hàng năm).
  • Xác định tính chu kỳ (Cyclicality): Phát hiện các biến động dài hạn hơn, không nhất thiết phải có khoảng thời gian cố định như mùa vụ (thường liên quan đến chu kỳ kinh doanh).
• Áp dụng mô hình: Dựa trên `[MÔ_HÌNH_CHUỖI_THỜI_GIAN]`, mô hình sẽ chọn thuật toán phù hợp.
  • ARIMA (AutoRegressive Integrated Moving Average): Một mô hình kinh điển để dự báo các chuỗi thời gian dựa trên giá trị quá khứ và sai số dự báo quá khứ.
  • Prophet: Một thư viện được Facebook phát triển, mạnh mẽ trong việc xử lý các chuỗi thời gian có tính mùa vụ mạnh, ngày lễ và các sự kiện đặc biệt.
• Dự báo: Sử dụng các mô hình đã được huấn luyện, mô hình sẽ dự báo các giá trị tổn thất cho khoảng thời gian tương lai được chỉ định trong `[KHOẢNG_THỜI_GIAN_DỰ_BÁO]`.
• Đánh giá độ tin cậy: Kết quả dự báo sẽ đi kèm với mức độ tin cậy được yêu cầu trong `[MỨC_ĐỘ_TIN_CẬY]` (ví dụ: khoảng tin cậy 95%).

3. Ví dụ Minh họa

Giả sử chúng ta có dữ liệu tổn thất bán hàng hàng ngày và muốn dự báo cho 30 ngày tới với độ tin cậy 90%.

Trường hợp 1:

Prompt được điền đầy đủ:

Sử dụng dữ liệu tổn thất lịch sử theo thời gian "sales_loss_daily.csv" để phân tích chuỗi thời gian. Áp dụng các mô hình như ARIMA, Prophet để xác định các yếu tố mùa vụ, xu hướng và tính chu kỳ. Dự báo tổn thất cho các khoảng thời gian tương lai 30 ngày với độ tin cậy 90%.

Trường hợp 2:

Prompt được điền đầy đủ với mô hình cụ thể và phạm vi dự báo lớn hơn:

Sử dụng dữ liệu tổn thất lịch sử theo thời gian "insurance_claims_monthly.xlsx" để phân tích chuỗi thời gian. Áp dụng các mô hình như ARIMA, Prophet, Exponential Smoothing để xác định các yếu tố mùa vụ, xu hướng và tính chu kỳ. Dự báo tổn thất cho các khoảng thời gian tương lai 12 tháng với độ tin cậy 95%.

👉 Tóm lại

Mẫu prompt này là một công cụ mạnh mẽ để yêu cầu phân tích và dự báo chuỗi thời gian, đặc biệt là cho các bài toán liên quan đến tổn thất hoặc các chỉ số kinh doanh biến động theo thời gian. Việc sử dụng các biến thể rõ ràng (`[TÊN_TẬP_DL_THỜI_GIAN]`, `[MÔ_HÌNH_CHUỖI_THỜI_GIAN]`, `[KHOẢNG_THỜI_GIAN_DỰ_BÁO]`, `[MỨC_ĐỘ_TIN_CẬY]`) giúp người dùng dễ dàng tùy chỉnh yêu cầu cho phù hợp với ngữ cảnh cụ thể, trong khi vẫn đảm bảo mô hình AI hiểu rõ mục tiêu và các thành phần cần thiết để thực hiện công việc. Đây là một ví dụ điển hình về prompt được cấu trúc tốt, cân bằng giữa tính linh hoạt và độ chính xác.