Menggunakan Ilmu Data Untuk Meningkatkan Tidur Bayi Kembar Saya

Berikut ini adalah sindikasi dari Medium untuk Forum Ayah, komunitas orang tua dan pemberi pengaruh dengan wawasan tentang pekerjaan, keluarga, dan kehidupan. Jika Anda ingin bergabung dengan Forum, hubungi kami di [email protected].

Sebulan yang lalu, saya mencoba Pengujian A/B untuk melihat bagaimana "perlakuan" atau parameter input yang berbeda dapat menghasilkan tidur yang lebih lama untuk anak kembar kami — dan tentu saja dengan proxy, kami. Melalui ini, saya menemukan bahwa pola tidur cukup tidak menentu dan tidak menemukan banyak yang berkorelasi kuat dengan peningkatan tidur. Seiring berjalannya waktu, mereka mulai lebih banyak sendiri secara alami. Namun, sekarang setelah mereka mencapai 4 bulan, mereka telah memulai fase regresi tidur yang tampaknya umum tetapi jarang dibahas. Saya sekali lagi menemukan diri saya putus asa untuk lebih banyak tidur. Apakah saya, seperti yang ditunjukkan oleh salah satu komentar pada posting sebelumnya, “mencari sesuatu untuk menemukan sesuatu tidak peduli seberapa putus asa untuk tidur lebih lama?” Ya. Ya saya. Oleh karena itu, saya beralih ke teknik ilmu komputer lain, pembelajaran mesin.

Pembelajaran mesin adalah bidang dalam ilmu komputer yang menyediakan metode untuk "mengajar" komputer atau program tanpa memberi mereka instruksi terpisah. Dalam pemrograman normal, saya akan memberikan komputer urutan perintah untuk dieksekusi, melemparkan logika ke membuat keputusan tentang apa yang harus dilakukan berdasarkan input, tetapi program tidak akan pernah bisa keluar dari definisi yang baik ini rel. Meskipun deskripsi ini terdengar lebih dekat dengan Terminator daripada apa yang sebenarnya terlihat dalam praktiknya, pembelajaran mesin memungkinkan seseorang untuk mengambil satu set data "pembelajaran" dan menggunakannya sebagai dasar untuk membuat prediksi. Meskipun menjadi semakin populer di industri teknologi, sebagian besar telah digunakan untuk melihat pembelian perilaku dan rekomendasi, AI, dan mungkin yang paling menarik, untuk mengkategorikan dan mengidentifikasi gambar dan seni — sebagian besar oleh Google. Saya tidak dapat menemukan banyak contoh penerapannya dalam mengasuh anak.

Berkat latar belakang akuntansi istri saya dan kepribadian tipe A kami, kami memiliki catatan terperinci tentang perilaku makan dan tidur untuk anak laki-laki. Ingat lembar kerja ini?

Dengan menggunakan data ini, saya mulai mencari kombinasi parameter input yang optimal, dalam hal ini saya melihat total makanan yang dikonsumsi dalam hari, waktu pemberian makan terakhir, dan jumlah pemberian makan terakhir, untuk menentukan apa yang akan menghasilkan waktu tidur malam terlama untuk anak laki-laki. Dan yang terbaik dari semuanya, saya bisa membiarkan komputer melakukan kerja keras. Plus, kami memiliki data dua kali lebih banyak tentang pola-pola ini karena kami tentu saja tidak hanya memiliki satu tetapi 2 anak laki-laki.

Ada beberapa perpustakaan hebat untuk pembelajaran mesin yang tersedia di berbagai bahasa pemrograman. Meskipun saya terutama menggunakan Java dan Javascript untuk bekerja, saya memilih sklearn perpustakaan Python, karena saya memiliki keakraban dengan Python dan ini sepertinya aplikasi yang sempurna untuk skrip yang fleksibel bahasa. Ada banyak tutorial hebat di luar sana untuk perpustakaan ini dan dokumentasi yang bagus juga.

Anda dapat menemukan kode saya di github jika tertarik.

Mengekspor data yang kami kumpulkan dari spreadsheet, saya mengekstrak poin data bulan lalu. Karena pertumbuhan yang cepat dan perubahan perkembangan yang dialami bayi, saya merasa data satu bulan — kali 2 bayi — adalah keseimbangan yang baik antara kebaruan dan data yang cukup untuk membuat prediksi.

Menyatukannya Dan Mengkodekannya

Saya juga mendapat beberapa statistik yang menarik termasuk rata-rata kami memberi makan anak laki-laki 27,5 ons per hari, menidurkan mereka paling sering pada 7:25, memberi mereka makan 5,22 ons sebelum tidur, dan mereka tidur 9 jam rata-rata. Ternyata juga anak laki-laki tidur lebih dari 10 jam 75 persen dari waktu. Lumayan. Tetapi saya tahu dengan lebih banyak pekerjaan kami dapat meningkatkan ini.

Dengan menggunakan data ini, saya dapat memplot setiap parameter terhadap waktu tidur.

Anda dapat melihat bahwa belum ada korelasi yang kuat, setidaknya linier di antara sebagian besar dari ini. Yang paling dekat adalah hubungan yang agak linier — dengan banyak outlier — antara total makanan dan jam tidur. Anehnya lebih banyak makanan tampaknya mengakibatkan kurang tidur.

Ada banyak jenis algoritma pembelajaran mesin. Ini sebagian besar diklasifikasikan ke dalam jenis linier dan non-linear. Saya mengambil data dan menjalankannya melalui 6 algoritma yang cukup banyak digunakan untuk melihat seberapa akurat masing-masing algoritma. Berikut adalah hasilnya.

Atau dalam bentuk yang lebih piktografik

Di sini Anda dapat melihat bahwa Support Vector Machine dengan jelas melakukan yang terbaik terhadap data, meskipun jangkauannya sangat luas dan rata-ratanya tidak jauh lebih baik daripada yang lain. Tidak ada yang bahkan pada 50 persen yang cukup buruk untuk diprediksi. Ini sepenuhnya karena sifat data pseudo-acak. Bahkan dengan hasil seperti itu, saya memutuskan untuk terus maju, berharap dapat memancarkan wawasan apa pun.

Menggunakan SVM, saya melatih algoritma pada data input. Dengan menggunakan ini, saya sekarang dapat memprediksi berapa banyak tidur yang akan kita dapatkan berdasarkan jumlah makanan yang diambil dalam sehari, saat kita menidurkan mereka, dan seberapa banyak kita memberi mereka makan pada pemberian makan terakhir. Misalnya, memberi mereka 28 ons, menidurkannya pada jam 7, dan memberi 6 ons pada pemberian makan terakhir akan menghasilkan 8 jam tidur yang cukup buruk.

Kesimpulan

Dengan algoritme yang sekarang dilatih, saya dapat memprediksi dengan pasti berapa banyak tidur yang akan kita dapatkan. Lebih penting lagi, saya bisa melihat garis tren untuk ini dan melihat jenis perilaku apa yang menyebabkan lebih banyak tidur dalam upaya untuk mengoptimalkan. Sebaliknya, tidur lebih awal, dengan lebih sedikit makanan saat itu dan sepanjang hari sebenarnya meningkatkan tidur. Ini mungkin karena banyak faktor, tetapi teori saya adalah bahwa lebih sedikit makanan berarti lebih sedikit gas, lebih sedikit penyusutan perut saat lapar, dan oleh karena itu tidur lebih nyenyak. Berapa kali Anda keluar dan kemudian secara aneh terbangun di tengah malam karena kelaparan?

Sayangnya, seperti halnya pengujian A/B, tidak ada satu pun input individu yang tampaknya memiliki input langsung yang kuat pada tidur. Saya kira jika itu terjadi, seseorang pasti sudah menemukannya dan akan menghasilkan jutaan. Secara keseluruhan, pembelajaran mesin dapat menemukan beberapa tren dan hubungan antar variabel ini, yang mengarah untuk hasil yang lebih baik dan akurat daripada pengujian A/B atau coba-coba, tetapi hasilnya masih jauh dari bagus. Dari data ini, paling-paling saya bisa mendapatkan tingkat akurasi prediksi 41 persen. Itu berarti lebih sering daripada tidak mereka salah. Karena seringnya perubahan dalam perkembangan dan bahkan perbedaan di antara anak laki-laki, sulit untuk menerapkan data di antara mereka. Sekali lagi, ukuran sampel yang lebih besar mungkin membantu, tetapi kami tidak menargetkan kembar tiga dalam waktu dekat.

Namun, hasil ini lebih baik daripada tidak sama sekali dan membantu menunjukkan janji bidang pembelajaran mesin dan ilmu data. Saya lebih suka membuat keputusan dari data daripada perasaan dan data ini bahkan hanya mengkonfirmasi beberapa tebakan saya membuat saya merasa lebih baik tentang pendekatan pengasuhan kami.

Tyler Lund adalah editor dari Ayah dalam pelarian.