Analysieren der Herkunft in Analysen

Die Herkunft verfolgt Daten und Datenumwandlungen zurück zur Originalquelle. Qlik Cloud bietet eine detaillierte visuelle Darstellung des Verlaufs dieses Flusses. Darin können Sie interaktiv die vorgelagerte Herkunft von Analyseinhalten prüfen. Herkunft ist für Inhalte wie Apps, Skripte, Datenflüsse, Tabellenrezepte, ML-Experimente, ML-Bereitstellungen und Datensätze verfügbar.

Wenn Sie eine Analyse-App nutzen, greifen Sie auf die Übersichtsansicht der Herkunft zu, eine Darstellung der Kennzahlen und Dimensionen, die in einem bestimmten Diagrammobjekt verwendet werden. Mit dieser Ansicht können Sie die Quelle identifizieren, was Ihnen die Gewissheit gibt, dass Sie das, was Sie sehen und womit Sie arbeiten, verstehen und ihm vertrauen können. Weitere Informationen finden Sie unter Die In-App-Herkunfts-Übersichtsansicht.

Damit die Herkunft für Analyseinhalte angezeigt werden kann, müssen die Daten in Qlik Cloud als katalogisierte Quelle gespeichert sein.

Business-Anwender, die ein bestimmtes Feld prüfen, erhalten eine Ansicht der Herkunft für das Feld, in der die wichtigsten Abhängigkeiten zusammengefasst sind:

Felder, die für dessen Ableitung verwendet werden
Direkte Verknüpfungen und Abhängigkeiten, darunter der Besitzer und der Bereich
Originalquelle (die erste bekannte Quelle)

Um nachgelagerte bzw. vorwärtsgerichtete Abhängigkeiten anzuzeigen, können Sie in der Auswirkungsanalyse prüfen, welche Elemente von einer Änderung des Objekts betroffen wären. Weitere Informationen finden Sie unter Auswirkungsanalyse in Analysen.

Eine visuelle Demo der Verwendung der Herkunft finden Sie unter:

Verwenden der Herkunft

Zur Verwendung der Herkunft muss Herkunft anzeigen über User Default oder eine benutzerdefinierte Sicherheitsrolle auf Erlaubt festgelegt werden.

Das Herkunftsdiagramm

Das Herkunftsdiagramm zeigt den Fluss von Daten durch Analyseinhalte in einem interaktiven, anschaulichen Diagramm. Eine Ressource, eine Tabelle oder ein Feld wird als Knoten in einem Herkunftsdiagramm bezeichnet. Wenn es sich bei einem Knoten um den untersuchten Basisknoten handelt, sagt man, er befindet sich im Fokus, und er wird als letztes Element im Diagramm angezeigt. Auf der detailliertesten Ebene zeigen Diagramme mit Herkunft auf Feldebene die Datenquellen und Umwandlungen an, aus denen ein Knoten stammt bzw. von denen er abhängt.

Herkunftsdiagramme sind nützlich für:

Datenexperten, die mit den Daten arbeiten
Business-Spezialisten, die Apps erstellen
Fortgeschrittene Business-Anwender, die Apps nutzen
Benutzer, die mit ML-Modellen arbeiten

Jeder Knoten stellt einen Schritt in der Herkunft des ausgewählten Inhalts dar. Diese Herkunftsinformationen werden immer dann zusammengestellt, wenn die Daten eines Analyseobjekts aktualisiert werden. Wenn Ihre App, Ihr Skript, Ihr Datenfluss oder Tabellenrezept für einen bestimmten Zeitraum nicht aktualisiert wurde, kann die Herkunft unvollständig oder ungenau sein.

Die Herkunft ist für unterstützte Inhaltstypen in der Kachel oder Zeile verfügbar, wie sie im Katalog erscheinen. Sie können die Herkunft für die folgenden Analyseinhalte analysieren:

Datensatz: Datensätze sind Datenquellen wie beispielsweise Daten, die aus Konnektoren oder Datendateien geladen werden. Datensätze können Tabellen in einer Datenbank, Daten, die in einen Datenspeicher hochgeladen werden oder aus einer App generierte Daten wie QVD-Dateien sein. Datensätze haben gewöhnlich jeweils eine einzige Tabelle. Einige, wie Excel-Dateien, können auch mehrere Tabellen enthalten.

Datensätze, die über Talend Studio veröffentlicht wurden, sind mit gekennzeichnet. Sie können zu dem Talend Management Console Job gehen, der zur Generierung des Datensatzes verwendet wurde, indem Sie im Menü ... des Datensatzes auf TMC-Job öffnen klicken. Weitere Informationen finden Sie unter Veröffentlichen von Datensätzen und Herkunft in Qlik Cloud.
App: App-Knoten stellen Qlik Sense Analyse-Apps dar, die die Datenquellen in der Herkunft verwenden. App-Knoten zeigen den App-Namen und den Speicherort der App als Qlik Sense an.
Skript: Skript-Knoten stellen Skripte dar, die in der Skript-Schnittstelle erstellt wurden.
Datenfluss: Datenflüsse können zum besseren Verständnis der von ihnen verwendeten und umgewandelten Datenquellen geprüft werden.
Tabellenrezept: Tabellenrezepte können zum besseren Verständnis der von ihnen verwendeten und umgewandelten Datenquellen geprüft werden.
ML-Experiment: Sie können die Herkunft eines ML-Experiments nachvollziehen, das aus den Datenquellen besteht, die zusammengestellt wurden, um die Trainingsdaten für ML-Modelle zu erzeugen.
ML Bereitstellung: Sie können die Herkunft einer ML-Bereitstellung nachvollziehen und sehen, wie sie für Vorhersagen verwendet wird. Die Herkunft von ML-Bereitstellungen besteht normalerweise aus ML-Experimenten, Experimentversionen, Modellen und Datensätzen.

Typische Eingabeknoten sind Datenquellen, die vom Root-Knoten verwendet werden, bzw. Apps, die Datensätze erstellen. Die Herkunft auf Feldebene ermöglicht eine detaillierte Prüfung, wie Felder berechnet wurden und woher sie über Umwandlungen und Anwendungen hinweg stammen.

Die in einem Herkunftsdiagramm verfügbaren Knoten sind die Eingaben in Ihrem ausgewählten Inhalt. Wählen Sie ein Element aus, um es als Basisknoten festzulegen. Eingabeknoten sind Knoten, die dem Basisknoten vorgelagert sind.

Die in einem Herkunftsdiagramm verfügbaren Knoten sind die Eingaben in Ihrem ausgewählten Basisknoten, also dem Knoten im Fokus. Der Basisknoten ist der konkrete Knoten, für den Sie die Herkunft abrufen möchten. Dabei kann es sich um eine Anwendung, einen Datenfluss, ein ML-Experiment, einen Datensatz, eine Datei, eine Tabelle oder ein Feld handeln.

Es ist der Knoten ganz rechts auf Ihrem Bildschirm, der blau eingerahmt ist. Es ist der Schwerpunkt Ihrer Untersuchung, und es werden nur Eingaben für diesen Basisknoten dargestellt.

Während Sie die Herkunft untersuchen, können Sie den Basisknoten interaktiv zu einer anderen Tabelle, Anwendung oder einem anderen Feld oder Element auf dem Bildschirm ändern, um Ihre Untersuchung zu fokussieren.

Der schwerpunktmäßige Knoten, auch Basisknoten genannt, befindet sich auf der rechten Seite Ihres Bildschirms — Herkunftsbasisknoten

Die Linien, welche die Knoten verbinden, sind Ränder. Ränder stellen die Beziehung eines Knotens zu einem anderen Knoten dar. Sie repräsentieren Beziehungen, die Verknüpfungen angeben, wie beispielsweise ein Datensatz, der von einer Anwendung verwendet wird. Sie können auch Daten repräsentieren, die als Nebenprodukt einer Anwendung erzeugt werden. Die Sammlung aus Knoten und Rändern zusammen bilden das Herkunftsdiagramm.

Ränder stellen Beziehungen zwischen Objekten dar — Herkunftsränder stellen Beziehungen dar

Knoten werden ausgeblendet oder erweitert, um Hierarchieebenen von grober bis zu feiner Granularität anzuzeigen, beginnend mit dem Datensatz oder der App auf höherer Ebene bis zur feinsten granularen Ebene, der Feldebene.

Ein Knoten mit Objekt-, Ressourcen-, Tabellen- und Feldebenen — In diesem Bild eines Knotens sind die folgenden Hierarchieebenen dargestellt, von der höchsten (gröbsten) bis zur niedrigsten (granularsten): Datenobjekt (App), Ressource (Datensatz), Tabelle und Felder.

Öffnen des Herkunftsdiagramms

Gehen Sie folgendermaßen vor:

Öffnen Sie das Aktivitätscenter Einblicke oder Analysen.
Wählen Sie Herkunft im Kontextmenü für ein Element, das Herkunft unterstützt.

Sie können auch auf das Herkunftsdiagramm mancher Inhalte zugreifen, wenn Sie ein Element geöffnet haben. Klicken Sie auf Mehr und Herkunft.

Knotendetails

Details werden durch Ihren Zugriff auf das Objekt beschränkt. Unter „Details“ finden Sie die folgenden Informationen:

Name
Beschreibung
Tags
Speicherort
Bereich
Besitzer
Ersteller
Zuletzt geändert

Navigieren durch das Herkunftsdiagramm

Klicken und ziehen Sie das Diagramm, um im Herkunftsdiagramm zu navigieren und es zu zentrieren. Sie können auch die Navigationsschaltflächen verwenden. Klicken Sie auf „Startseite“ , um das Herkunftsdiagramm auf den Basisknoten zu zentrieren. Klicken Sie vor und zurück, um sich durch Ihre Auswahlen zu bewegen.

Navigationsschaltflächen für das Herkunftsdiagramm. — Navigation durch das Herkunftsdiagramm

Das Herkunftsdiagramm zeigt die vorgelagerten Abhängigkeiten für Ihren Analyseinhalt, der als Standardknoten dargestellt wird, wenn Sie das entsprechende Diagramm öffnen. Sie können auf die Herkunft (vorgelagert) oder die Auswirkungsanalyse (nachgelagert) für weitere Knoten im Diagramm zugreifen, indem Sie Mehr und Herkunft (neuer Basisknoten) oder Auswirkungsanalyse auswählen. Wählen Sie einen Knoten aus, um ihn als Basisknoten festzulegen.

Erweitern Pfeil nach unten oder reduzieren Pfeil nach oben Sie die Knoten, um Gruppen von Objekten auf derselben Ebene zu erweitern oder zu reduzieren.

Menüoption zum Analysieren verschiedener Knoten

Herkunfts-Übersichtsansicht in einer App

Die Herkunfts-Übersichtsansicht in einer App kann Business-Anwendern eine Übersicht über die vorgelagerten Abhängigkeiten in der App geben. Weitere Informationen finden Sie unter Die In-App-Herkunfts-Übersichtsansicht.

Analysieren der Herkunft für ML-Inhalte

Mit dem Herkunftsdiagramm können Sie die Herkunft von ML-Inhalten analysieren, einschließlich ML-Experimenten, ML-Bereitstellungen und Datensätzen. Verwenden Sie das Diagramm, um einen ganzheitlichen Überblick darüber zu erhalten, wie ML-Modelle erstellt wurden, mit welchen Daten sie trainiert wurden und wofür sie in Produktionsszenarien verwendet werden.

Experimente, Bereitstellungen und Datensätze werden auch als Knoten angezeigt, wenn Sie andere Inhalte im Herkunftsdiagramm analysieren, z. B. nachgelagerte Apps.

ML-Objekte werden auch in der Auswirkungsanalyse angezeigt, um eine umfassende Analyse der nachgelagerten Inhalte zu ermöglichen. Weitere Informationen finden Sie unter Auswirkungsanalyse in Analysen.

Öffnen der Herkunft für ML-Inhalte

Gehen Sie folgendermaßen vor:

Klicken Sie in Ihrem Aktivitätscenter auf neben einem ML-Experiment, einer ML-Bereitstellung oder einem Datensatz und wählen Sie Herkunft aus.
Klicken Sie in einem ML-Experiment oder einer ML-Bereitstellung in der Navigationsleiste auf und wählen Sie Herkunft aus.

Navigieren in Herkunft für ML-Inhalte

Sie erkunden die ML-Knoten auf dieselbe Weise wie andere Inhalte. Eine Übersicht über die Benutzeroberfläche finden Sie unter:

Das Herkunftsdiagramm
Navigieren durch das Herkunftsdiagramm

Erkennen von ML-Elementen im Herkunftsdiagramm

Die folgende Tabelle gibt einen Überblick über gängige Elemente im Zusammenhang mit maschinellem Lernen, die im Herkunftsdiagramm angezeigt werden.

Häufige Herkunftselemente für maschinelles Lernen
Element	Symbol(e)	Erläuterung
Dateispeicher		Nicht nur für ML-Inhalte. Zeigt den Speicherort an, an dem ein Datensatz gespeichert ist (in den meisten Fällen in einem Bereich). Relevant für Trainingsdatensätze, Exporte von eingebetteten Analysen in einem Experiment, Anwendungsdatensätze, die für Vorhersagen verwendet werden, und Vorhersage-Ausgabedatensätze.
Datensatz	Viele (zum Beispiel für QVD)	Nicht nur für ML-Inhalte. Verwendet zur Darstellung von Trainingsdatensätzen, Exporten von eingebetteten Analysen in einem Experiment, Anwendungsdatensätzen und Vorhersage-Ausgabedatensätzen.
ML-Experiment		Ein ML-Experiment, in dem Modelle trainiert werden.
ML-Experimentversion		Die Version innerhalb des ML-Experiments, in dem ein oder mehrere Modelle trainiert wurden.
ML-Modell		Ein ML-Modell, das innerhalb einer Experimentversion trainiert wurde. Wird verwendet, um trainierte Modelle in einem ML-Experiment und bereitgestellte Modelle in einer ML-Bereitstellung darzustellen.
ML-Bereitstellung		Eine ML-Bereitstellung, die ein oder mehrere bereitgestellte Modelle enthält.
Kein Symbol	-	Vorhersage-Ausgabeknoten innerhalb einer ML-Bereitstellung haben keine Symbole. Felder, die in einem Vorhersage-Ausgabedatensatz enthalten sind, haben ebenfalls keine Symbole.

Herkunft und ML-Experimente

ML-Experimente können auf eine der folgenden Arten angezeigt werden:

Als Basisknoten eines Herkunftsdiagramms.
Als vorgelagerte Knoten anderer Prozesse und Ausgaben wie Vorhersagen oder prädiktive Apps.

ML-Experimente werden in gruppierten Anordnungen präsentiert. Sie werden wie folgt erweitert:

Ein ML-Experiment wird in eine oder mehrere Experimentversionen erweitert.
Eine Experimentversion wird in eine oder mehrere ML-Modelle erweitert.

Wenn ein in einem Experiment trainiertes Modell in einer ML-Bereitstellung bereitgestellt wird, wird es im Herkunftsdiagramm angezeigt, wenn nachgelagerte Inhalte (z. B. Vorhersagen oder ML-Bereitstellungen) als Basisknoten ausgewählt werden.

Herkunft und ML-Bereitstellungen

ML-Bereitstellungen können auf eine der folgenden Arten angezeigt werden:

Als Basisknoten eines Herkunftsdiagramms.
Als vorgelagerte Knoten anderer Prozesse wie prädiktive Apps, Skripte oder Datenflüsse.

ML-Bereitstellungen werden in gruppierten Anordnungen präsentiert. Sie werden wie folgt erweitert:

Eine ML-Bereitstellung wird in ein oder mehrere bereitgestellte Modelle erweitert.
Wenn ein Modell in der Bereitstellung für Stapelvorhersagen verwendet wurde, wird das Modell erweitert, um jede Stapelvorhersagen-Ausgabe anzuzeigen.

Die Herkunft auf Feldebene ist für Anwendungsdatensätze und Vorhersage-Ausgabedatensätze verfügbar, die sich auf eine ML-Bereitstellung beziehen.

Bereitgestellte Modelle, die für Vorhersagen verwendet werden, sind mit dem Experiment verbunden, in dem sie trainiert wurden.

Herkunft und ML-Datensätze

ML-Datensätze sind Datensätze, die in ML-Experimenten und ML-Bereitstellungen verwendet oder von diesen erstellt werden. Dazu zählen die Folgenden:

Trainingsdatensätze
Datensätze, die aus eingebetteten Analysen in ein ML-Experiment exportiert wurden (Registerkarten Vergleichen und Analysieren)
Anwendungsdatensätze
Vorhersage-Ausgabedatensätze, einschließlich Vorhersage-, SHAP-, Koordinaten-SHAP-, Fehler- und Anwendungsdatensätze

Gelöschter Inhalt

Beim Löschen eines ML-Experiments, einer ML-Bereitstellung oder eines Datensatzes, die in ML-Prozessen verwendet wurden, werden diese bei der Analyse anderer Knoten weiterhin im Herkunftsdiagramm angezeigt.

Berechtigungen

Weitere Informationen zu Berechtigungen finden Sie unter Berechtigungen.

Beispielszenario

Ein Beispielszenario finden Sie unter Beispiel: Untersuchen der Herkunft von ML-Inhalten.

Beschränkungen

Für das Herkunftsdiagramm gelten die folgenden Einschränkungen:

Für Apps, die seit der Einführung der Herkunft in Qlik Cloud nicht geladen wurden, stehen möglicherweise erst dann alle Herkunftsinformationen zur Verfügung, nachdem sie neu geladen wurden. Die Details einiger Knoten können eingeschränkt sein, wenn sie nicht geladen wurden, nachdem die Herkunft für Ihren Mandanten aktiviert wurde.
Knotendetails für Datensätze außerhalb Ihres Mandanten, z. B. SQL Server- oder Google Drive-Verbindungen, sind auf den Datensatztyp und -namen beschränkt. Bei REST-Verbindungen wird nur angezeigt, dass es sich um REST-Daten handelt.

Berechtigungen

Berechtigungen für Apps, Skripte, Datenflüsse und Datensätze

Sie benötigen die Berechtigung zum Anzeigen einer App, eines Skripts, eines Datenflusses oder eines Datensatzes, um die Herkunft für das Element in Ihren Aktivitätscentern anzuzeigen. Wenn Sie das Herkunftsdiagramm für einen Basisknoten anzeigen können, sehen Sie die Basisdetails und Metadaten für die vorgelagerten Herkunftsobjekte.

Berechtigungen für ML-Experimente und ML-Bereitstellungen

Berechtigungen für umfassenden Zugriff

Wenn Sie über Folgendes verfügen, können Sie Herkunft direkt über das ML-Experiment, die ML-Bereitstellung oder Ihr Aktivitätscenter öffnen:

Professional- oder Full User-Berechtigung im Qlik Cloud Mandanten.
Sicherheitsrolle Automl Experiment Contributor oder Automl Deployment Contributor
Bei ML-Experimenten oder ML-Bereitstellungen in freigegebenen Bereichen eine der folgenden Bereichsrollen im freigegebenen Bereich:
- Besitzer (des Bereichs)
- Kann verwalten
- Kann bearbeiten
- Kann anzeigen
Bei ML-Experimenten oder ML-Bereitstellungen in verwalteten Bereichen eine der folgenden Bereichsrollen im verwalteten Bereich:
- Besitzer (des Bereichs)
- Kann verwalten
- Kann beitragen
- Kann anzeigen
- Kann operieren

Mit dieser Berechtigungsstufe haben Sie auch die Berechtigung, Details über das ML-Experiment oder die ML-Bereitstellung einzusehen.

Berechtigungen für die Analyse der Herkunft

Wenn Sie folgende Berechtigungen haben, können Sie das ML-Experiment oder die ML-Bereitstellung im Herkunftsdiagramm anzeigen, wenn andere Inhalte als Basisknoten festgelegt sind. Sie können auch das Experiment oder die Bereitstellung als Basisknoten für die Analyse festlegen.

Professional- oder Full User-Berechtigung im Qlik Cloud Mandanten.
Bei ML-Experimenten oder ML-Bereitstellungen in freigegebenen Bereichen eine der folgenden Bereichsrollen im freigegebenen Bereich:
- Besitzer (des Bereichs)
- Kann verwalten
- Kann bearbeiten
- Kann anzeigen
Bei ML-Experimenten oder ML-Bereitstellungen in verwalteten Bereichen eine der folgenden Bereichsrollen im verwalteten Bereich:
- Besitzer (des Bereichs)
- Kann verwalten
- Kann beitragen
- Kann anzeigen
- Kann operieren

Diese Berechtigungsstufe ist stärker eingeschränkt als die umfassende Berechtigungsstufe. Wenn Sie außerdem über die Sicherheitsrolle Automl Experiment Contributor oder Automl Deployment Contributor verfügen, haben Sie umfassenden Zugriff und können weitere Aktionen durchführen, wie z. B. diese direkt im Herkunftsdiagramm öffnen und Details anzeigen.

Sicherheit

Ein Benutzer kann nur zu einem Basisknoten wechseln, auf den er Zugriff hat. Andernfalls ist das Kontextmenü nicht verfügbar.
Wenn ein Benutzer Zugriff auf den Basisknoten hat, kann er die gesamte vorgelagerte Herkunft anzeigen.

Beispiel-Anwendungsfälle für die Analyse der Herkunft

Eine schrittweise Anleitung für die Herkunftsanalyse finden Sie unter Anwendungsfälle für Herkunft auf Feldebene.

Beispiel: Anhand der Herkunfts-Übersichtsansicht untersuchen, woher die Informationen stammen

Als Analysenutzer, der sich ein Balkendiagramm in einer App cars-data4-app ansieht, möchten Sie gerne wissen, woher die Informationen stammen. Stellen Sie sicher, dass für das Diagramm im Abschnitt Darstellung > Allgemein der Eigenschaften die Optionen Details anzeigen und Formeln anzeigen aktiviert sind, und wählen Sie dann den Wechsel zum Arbeitsblatt-Analysemodus aus. Klicken Sie mit der rechten Maustaste auf das Diagramm oder verwenden Sie das Menü Symbol „Weitere Aktionen“ und wählen Sie Details anzeigen aus, um die Nutzeransicht der Herkunft anzuzeigen. Klicken Sie auf Abhängigkeiten anzeigen.

Sie sehen, dass die Dimension Car_ID vom Feld Car_ID, das in drei gelisteten QSV-Quellen vorhanden ist, abhängig ist. Wählen Sie das Menü Symbol „Weitere Aktionen“ im Feldeintrag aus und wählen Sie Herkunft - Car_ID / Cars aus, um ein Herkunftsdiagramm für das Feld Car_ID in der App zu öffnen.

Das Menü und dann die Option zur Anzeige der Herkunft für eine Quelle in der Herkunfts-Übersichtsansicht für Nutzer auswählen — Quelle oder Feld zur Anzeige der Herkunft für dieses Objekt auswählen

Das Herkunftsdiagramm wird von rechts nach links betrachtet und zeigt, dass sich das Feld Car_ID in der Tabelle Cars befindet, die in die App cars-data4-app geladen wurde. Erweitern Pfeil nach unten Sie die Knoten, wenn Sie den Feldverlauf zurück zur Originaldatei zurückverfolgen, die in Qlik Cloud hochgeladen wurde. Sie sehen, dass das erste Bindeglied zurück zeigt, dass eine CSV cars-data.csv mit dem Feld Car_ID in die App cars-data4-app geladen wurde. Der nächste Knoten zurück ist eine App cars-data3-app, aus der die cars-data.csv erstellt wurde. Wenn Sie ein Bindeglied weiter zurück gehen und den Knoten erweitern, sehen Sie, dass die Original-Quelldatei eine CSV-Datei namens cars-data3.csv war und diese das Feld ID enthielt.

Durch Erweitern der Tabellen und Anzeigen von Feldern können die Originalquelldatei, die Tabelle und das Feld der Balkendiagrammdimension Car_id-ID identifizieren.

Mit dem schwerpunktmäßigen Knoten starten und den Herkunftsverlauf zurück zur Originalquelle verfolgen — Die Knoten zur Verfolgung des Verlaufs eines Feld zurück zur Quelldatei erweitern

Beispiel: Untersuchen der Ursprünge eines Datensatzes und der Art und Weise der Erstellung

Als App-Entwickler ziehen Sie in Betracht, einen vorhandenen Datensatz current_customers_analytics.xlsx für Ihre Anwendung zu nutzen. Sie untersuchen die Ursprünge dieses Datensatzes, sodass Sie verstehen können, woher die Daten stammen. Wählen Sie aus der Datensatzkachel oder der Zeile Herkunft aus dem Menü Mehr aus, um das Herkunftsdiagramm zu öffnen. Anhand des Herkunftsdiagramms können Sie Metadaten für den Datensatz anzeigen, indem Sie das Menü Symbol „Weitere Aktionen“ in der XLSX current_customers_analytics.xlsx auswählen und die Übersicht öffnen.

Datensatzübersicht kann über das Herkunftsdiagramm geöffnet werden — Datensatzübersicht über das Herkunftsdiagramm öffnen

Datensatzübersichten können über das Herkunftsdiagramm geöffnet werden — Tags, Klassifizierungen und andere technische Metadaten über die Registerkarte „Datensatzübersicht“ anzeigen

Registerkarte „Felderprofil“ ist über das Herkunftsdiagramm abrufbar — Datenprofil ist über die Registerkarte Profil verfügbar

Klicken Sie auf den Zurück-Pfeil im Browser, um zum Herkunftsdiagramm zurückzukehren und so das Herkunftsdiagramm für den Datensatz zu untersuchen. Erweitern Sie Pfeil nach unten den Knoten current_customers_analytics.xlsx und klicken Sie auf Alle auswählen, um die verfügbaren Felder anzuzeigen. Wiederholen Sie die Schritte für alle Knoten. Beachten Sie, dass jedes Feld die Option bietet, daraus den schwerpunktmäßigen Knoten zu machen, indem Sie Herkunft (neuer Basisknoten) auswählen oder Auswirkungsanalyse auswählen, um die vorgelagerte Herkunft und abhängige Objekte anzuzeigen, die von Änderungen am Datensatz betroffen sind.

Anzeigen der Herkunft für einen Datensatz — Erweitertes Herkunftsdiagramm für den Datensatz. Jedes Feld in jedem Knoten enthält Optionen zum Öffnen der App oder Daten, Anzeigen einer Auswirkungsanalyse oder Ändern des Knotens im Fokus

Wenn Sie die Herkunft zurückverfolgen und die Knoten erweitern, können Sie sehen, dass dieser XLSX-Datensatz die Ausgabe der App Prep Current Customers Sales - Analytics ist. Wenn Sie ein weiteres Bindeglied zurückgehen und den Knoten File storage erweitern, sehen Sie, dass für die Umsatzanalyse-App eine CSV-Datei rgb_customers.csv geladen wurde. Eine Analyse auf Feldebene zeigt, dass das Feld Tags in der Original-Quelldatei in der Umsatzanalyse-App in rgb_customers.Tags umbenannt wurde. Die Original-CSV-Datei kann in der Übersicht geöffnet werden, um wertvolle Metadaten wie Besitzer, Ersteller, Nutzungsmetriken, Tags, Klassifizierungen, Feldprofil und Auswirkungsanalyse aufzuzeigen.

Beispiel: Untersuchen der Herkunft von ML-Inhalten

Ein gelegentlicher Business-Anwender oder ein ML-Experte kann das Herkunftsdiagramm nutzen, um die Herkunft bestimmter vorhergesagter Werte zu überprüfen. Wenn der Basisknoten auf den Vorhersagedatensatz eingestellt ist, kann dieser Benutzer Folgendes anzeigen:

Die Trainingsdaten, einschließlich ihrer Quellen und Umwandlungen
Das Experiment, die Experimentversion und das Modell
Wo das Modell bereitgestellt wurde und wie es genutzt wird

Herkunftsdiagramm mit einem End-to-End-Fluss von der Vorbereitung der Trainingsdaten bis hin zu einem Vorhersagedatensatz — Herkunftsdiagramm, bei dem alle Knoten erweitert sind. Das Diagramm zeigt einen End-to-End-Fluss von der Vorbereitung der Trainingsdaten bis hin zu einem Vorhersagedatensatz.

Die Abbildung oben zeigt den folgenden Vorgang:

Ein Datenfluss lädt Daten aus einem CSV-Datensatz , der in einem persönlichen Bereich gespeichert ist, und wandelt diese um. Die Ausgabe wird in einem Parquet-Datensatz im gleichen Bereich gespeichert.
Der Parquet-Datensatz wird in Version 1 eines ML-Experiments verwendet. Diese Experimentversion trainiert ein ML-Modell .
Das ML-Modell wird in einer ML-Bereitstellung bereitgestellt.
Unter Verwendung eines CSV-Datensatzes in einem persönlichen Bereich als Anwendungsdatensatz generiert die ML-Bereitstellung einen Vorhersagedatensatz im Parquet-Format .

Herkunft in Datenintegration

Das Herkunftsdiagramm ist auch unter Datenintegration verfügbar. Weitere Informationen finden Sie unter Analysieren der Herkunft in Datenintegration.

Hat diese Seite Ihnen geholfen?

Wenn Sie ein Problem mit dieser Seite oder ihrem Inhalt feststellen, sei es ein Tippfehler, ein ausgelassener Schritt oder ein technischer Fehler, informieren Sie uns bitte!

Geben Sie hier Ihr Feedback ab