Predictive（预测性）技术是指通过分析历史数据和模式来预测未来趋势、结果或事件的方法。在2023年的科技发展中，预测性技术已成为人工智能领域的核心研究方向，广泛应用于金融、医疗、气象等多个领域。
Predictive 近期进展
2023年9月，ART人工代表树结合CPS方法让单棵树能够输出预测区间与超越概率，提高了预测的准确性（来源: ART 人工代表树结合 CPS，让单棵树输出预测区间与超越概率）。这种方法通过改进传统的预测树结构，使模型能够提供更丰富的预测信息，包括预测的不确定性范围。
2023年9月，RACER框架从少量样本中估计陌生专家的能力，为预测性人机协作提供了新思路（来源: RACER：从少量样本估计陌生专家能力的人机路由框架）。该框架特别适用于需要快速评估新专家能力的场景，减少了大量历史数据的需求。
2023年8月，研究人员探讨了输出分散是否引发认知修订的问题，关注机器集体中的黑盒耦合诊断（来源: 输出分散是否引发认知修订？机器集体的黑盒耦合诊断）。这项研究关注多个预测模型输出分散对整体预测准确性的影响，以及如何通过认知修订提高预测一致性。
2023年7月，ER-JEPA框架被提出作为面向心电图多变量时间序列的轻量级自监督学习框架（来源: ER-JEPA：面向心电图多变量时间序列的轻量级自监督学习框架）。该框架专注于医疗领域的预测性应用，通过自监督学习减少了对大量标记数据的依赖。
当前焦点与观察点
预测性技术目前的发展趋势主要集中在提高预测准确性和效率上。特别是在医疗、金融等关键领域，预测模型的可靠性和解释性成为研究重点。同时，如何处理预测不确定性、提供预测区间而非单一预测值，也是当前研究的热点。
另一个值得关注的方向是预测性技术与人类专家的协作。RACER框架的研究表明，通过少量样本就能有效评估专家能力，这为人机协作预测提供了新思路。未来，预测系统可能更加注重与人类专家的互补性，而非完全替代。
此外，预测性模型的可解释性和透明度也受到越来越多的关注。随着预测模型在关键决策中的应用增多，如何理解模型的预测过程、识别潜在偏见，成为确保预测公正性的重要挑战。
最后，预测性技术的轻量化部署也是一个重要趋势。ER-JEPA框架等研究显示，即使在资源受限的环境中，也能实现高效的预测功能，这将进一步扩大预测技术的应用范围。