Arbeiten mit maschinellem Lernen in Qlik Answers | Qlik Cloud Hilfe
Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Arbeiten mit maschinellem Lernen in Qlik Answers

Letzte Aktualisierung: 2026-11-18

Sie können mit Qlik Predict automatisiertem maschinellem Lernen mithilfe der KI-gestützten Technologie von Qlik Answers arbeiten.

In der agentenbasierten Qlik Answers-Benutzererfahrung können Sie Machine-Learning-Workflows in natürlicher Sprache erstellen und ausführen. Sie können über dasselbe Chat-Erlebnis Datensätze erkunden, Experimente konfigurieren und trainieren sowie Vorhersagen ausführen.

Diese Qlik Answers-Erfahrung ist getrennt vom Zugriff auf Qlik Predict-Funktionen über den Qlik-MCP-Server in einem externen LLM-Client. Weitere Informationen finden Sie unter Qlik MCP-Server.

Arbeiten mit Predict in Qlik Answers

Trainieren eines ML-Experiments in einer agentenbasierten Benutzererfahrung
Govnote-not-inWird in Qlik Cloud Government nicht unterstützt.
Govnote-not-inWird in Qlik Cloud Government – DoD nicht unterstützt.

Bevor Sie beginnen

Voraussetzungen:

Öffnen von Qlik Predict in Qlik Answers

  1. Klicken Sie auf Öffnen Answers, um Qlik Answers zu öffnen.

  2. Wählen Sie im Dropdown-Menü Predict aus.

    Predict öffnen

    Auswählen des Predict-Agenten im Chat

End-to-End-Workflows

Verwenden Sie beim Arbeiten mit Predict die folgenden Workflows.

Schritt 1: Datensatz-Exploration und Erkenntnisse

Nutzen Sie Datensatz-Insights, um die Datenqualität und Kandidatenfelder vor dem Training zu verstehen. Fragen Sie nach Erkenntnissen und Ziel-Empfehlungen.

Sie müssen auch nicht den genauen Namen des Datensatzes kennen, den Sie verwenden möchten – Sie können eine Liste der verfügbaren Datensätze anfordern.

Beispielfragen für die Datensatz-Exploration und Erkenntnisse
Aktion Beispielfragen Notizen
Datensatzauswahl
  • Zeige mir die verfügbaren Datensätze für das Training

  • Welche Datensätze kann ich für das Training verwenden?

  • Datensätze auflisten

-
Datensatzeinblicke
  • kannst du mir Datensatz-Insights für <Datensatzname> anzeigen

Alternativ können Sie den Datensatz zuerst in Qlik Cloud öffnen und dann Fragen stellen wie:

  • kannst du mir Datensatz-Insights für diesen Datensatz anzeigen?

  • Welche Features in diesem Datensatz weisen eine hohe Kardinalität auf

Zielempfehlung
  • Welche Spalte empfehlen Sie als Ziel zu verwenden

  • Was ist Ihre Empfehlung für das Ziel

  • Welche Spalte soll das trainierte Modell vorhersagen

Nützlich als Folgefragen nach dem Auswählen eines Datensatzes und dem Erkunden von Erkenntnissen.

Schritt 2: Experiment-Training und -Monitoring

Beschreiben Sie Ihr Ziel und lassen Sie den Agenten ein Experiment konfigurieren und ausführen. Regressions- und Klassifikationsexperimenttypen werden unterstützt. Nachdem Sie einen Datensatz und ein Ziel ausgewählt haben, werden Sie aufgefordert, das Training zu starten.

Wenn Sie bereits zuvor einen Machine-Learning-Workflow gestartet haben, können Sie Predict bitten, bestehende Experimente zu überwachen.

Beispielfragen für Experiment-Training und -Monitoring
Aktion Beispielfragen Notizen
Experiment-Training (mit bereits ausgewähltem Datensatz)
  • Ich möchte <Spaltenname> vorhersagen

  • <Spaltenname> als Ziel verwenden

Nützlich als Folgefragen nach der Auswahl eines zu verwendenden Trainingsdatensatzes.
Experiment-Training (kein Datensatz ausgewählt)
  • Trainieren Sie Modelle zur Vorhersage von <Spaltenname>; verwenden Sie <Dataset-Name oder ein Schlüsselwort>

  • Erstellen Sie ein Experiment mit <Datensatzname oder Schlüsselwort>-Daten

Diese Fragen können Ihnen dabei helfen, direkt zu beginnen, ohne manuell nach Datensätzen anhand ihres Namens suchen zu müssen.
Experimentüberwachung
  • Liste meine neuesten Experimente und deren Status auf

  • Wie ist der Status meines Experiments
-

Schritt 3: Modellinterpretation und Empfehlungen

Nach Abschluss des Trainings können Sie eine Interpretation des Modellverhaltens in einfacher Sprache sowie Empfehlungen auf Grundlage der Modellausgabe anfordern.

Beispielfragen zur Modellanalyse
Aktion Beispielfragen Notizen
Modellempfehlungen
  • Was ist das beste Modell in diesem Experiment

  • Ich habe das Experiment <Experimentname> geöffnet. Was ist das beste Modell

  • Ich habe das Experiment <Experimentname> geöffnet. Fassen Sie die beste Modellleistung für eine geschäftliche Zielgruppe zusammen

Um optimale Ergebnisse zu erzielen, müssen Sie entweder das Experiment in Ihrem Browser geöffnet haben oder auf den Namen des Experiments im Prompt verweisen.
Modellmetriken und Erkenntnisse
  • Was ist der beste Modellalgorithmus in diesem Experiment

  • Ich habe das Experiment <Experimentname> geöffnet. Was sind die Metriken für das beste Modell

  • Erkunden Sie Modelleinblicke und die Funktionswichtigkeit für dieses Experiment

  • Ich habe das Experiment <Experimentname> geöffnet. Welche Merkmale haben den stärksten Einfluss auf dieses Modell?

Um optimale Ergebnisse zu erzielen, müssen Sie entweder das Experiment in Ihrem Browser geöffnet haben oder auf den Namen des Experiments im Prompt verweisen.

Beim Analysieren von Modellen im Chat können Sie auch auf Quelle anzeigen klicken, um zusätzliche Details einzublenden, einschließlich Diagrammen zur Aufschlüsselung der Funktionswichtigkeit und Erkenntnissen in natürlicher Sprache.

Verwenden von Quelltext anzeigen zum Analysieren von Modellen mit eingebetteten Diagrammen

Verwenden von „Quelltext anzeigen“ zur Analyse von Modellen mit eingebetteten Diagrammen

Schritt 4: Bereitstellung, Aktivierung und Vorhersagen

Nach dem Training können Sie ein Modell bereitstellen, wodurch eine ML-Bereitstellung erstellt wird. Nachdem Sie angefordert haben, ein Modell bereitzustellen, werden Sie aufgefordert, die Bereitstellung zu bestätigen.

Sie können auch Batch-Vorhersagen mit den von Ihnen bereitgestellten Modellen ausführen. Das System sucht nach kompatiblen Apply-Datensätzen und listet sie zur Auswahl auf. Sie können auch Prompts in natürlicher Sprache verwenden, um einen bestimmten Apply-Datensatz auszuwählen.

Bereitgestellte Modelle werden automatisch aktiviert, sobald Vorhersagen erstellt werden, abhängig von der für das Abonnement verfügbaren Kapazität.

Beispielfragen für Bereitstellung und Vorhersagen
Aktion Beispielfragen Notizen
Bereitstellung und Überwachung von Modellen
  • Das beste Modell für dieses Experiment bereitstellen

  • Ich habe das Experiment <Experimentname> geöffnet. Bereitstellungsdetails anzeigen

  • Bereitstellungsstatus für dieses Experiment prüfen

Nützlich als Folgefragen direkt nach der Modellanalyse.

Um optimale Ergebnisse zu erzielen, müssen Sie entweder das Experiment in Ihrem Browser geöffnet haben oder auf den Namen des Experiments im Prompt verweisen.

Vorhersagen—Anfrage starten
  • Vorhersagen mit dieser Bereitstellung ausführen

  • Vorhersagen mit der Bereitstellung <Bereitstellungsname> ausführen

Für optimale Ergebnisse müssen Sie entweder die Bereitstellung in Ihrem Browser geöffnet haben oder den Namen der Bereitstellung im Prompt referenzieren.
Vorhersagen—Auswählen eines Anwendungsdatensatzes
  • Verwenden Sie <apply dataset name> als Anwendungsdatensatz für Vorhersagen mit dieser Bereitstellung

  • Ich habe die Bereitstellung <Bereitstellungsname> geöffnet. Vorhersagen mit dem Dataset <Name des Anwendungs-Datasets> ausführen

Für optimale Ergebnisse müssen Sie entweder die Bereitstellung in Ihrem Browser geöffnet haben oder den Namen der Bereitstellung im Prompt referenzieren.
Vorhersagen—Überwachungsstatus
  • Status der Batch-Vorhersage für diese Bereitstellung prüfen

Für optimale Ergebnisse müssen Sie entweder die Bereitstellung in Ihrem Browser geöffnet haben oder den Namen der Bereitstellung im Prompt referenzieren.
Vorhersagen—Vorhersageausgabe erkunden
  • Ich habe die Bereitstellung <Bereitstellungsname> geöffnet. Aktuelle Vorhersageergebnisse erkunden

  • Zeige mir meine neuesten Vorhersagen für diese Bereitstellung

Für optimale Ergebnisse müssen Sie entweder die Bereitstellung in Ihrem Browser geöffnet haben oder den Namen der Bereitstellung im Prompt referenzieren.

Best Practices für das Stellen von Fragen

Für optimale Ergebnisse beim Arbeiten mit Qlik Predict in Qlik Answers folgen Sie diesen allgemeinen Richtlinien:

  • Wenn Sie sich nicht sicher sind, wie Sie anfangen sollen, fragen Sie Predict, was es tun kann. Qlik Answers kann eine Liste der unterstützten Funktionen bereitstellen.

  • Starten Sie eine neue Unterhaltung, wenn Sie das Thema wechseln oder nicht die benötigte Antwort erhalten.

  • Wenn Sie nicht die gewünschte Antwort erhalten, versuchen Sie, mehr Details anzugeben, und beschreiben Sie genau, was Sie tun möchten. Beispielsweise kann das Verweisen auf die genauen Namen von Datasets und anderen Extras Qlik Answers besser dabei helfen, diese beim Starten des Trainings oder Ausführen von Vorhersagen zu finden.

  • Formulieren Sie Ihre Frage um, wenn sie zunächst nicht die gewünschte Antwort liefert.

Weitere Informationen finden Sie unter Best Practices für das Chatten mit Qlik Answers.

Berechtigungen

Sie benötigen sowohl Qlik Answers- als auch Qlik Predict-Berechtigungen, um End-to-End-Machine-Learning-Workflows abzuschließen.

Konkret benötigen Sie Folgendes:

Beschränkungen

Datensätze

Sie können Datensätze nicht über den Chat hochladen oder löschen.

Folgendes ist im Chat nicht möglich:

  • Ändern von Trainingsdatensätzen nach dem Ausführen einer Experimentversion.

  • Ausführen mehrerer Vorhersagen mit unterschiedlichen Anwendungsdatensätzen innerhalb desselben Chats.

Als Workaround starten Sie zuerst einen neuen Chat, wenn Sie Experimente trainieren oder Vorhersagen mit einem anderen Datensatz ausführen müssen. Wenn Sie Experimente trainieren, erfordert dies auch die Erstellung eines neuen Experiments im neuen Chat.

Weitere Informationen zum Starten neuer Chats finden Sie unter Chatten mit Qlik Answers.

Chat unterstützt keine Datensätze, die einen der folgenden Grenzwerte für den Mandanten Qlik Cloud überschreiten:

  • Maximale Datensatzgröße (Trainingsdatensätze)

  • Maximale Anzahl der Datensatzzellen (Trainingsdatensätze)

  • Maximale Anzahl an einbezogenen Spalten (Trainings- und Anwendungsdatensätze)

Experiment-Funktionen

  • Bias-Erkennung wird nicht unterstützt.

  • Es ist nicht möglich, Modelltrainingsberichte zu analysieren oder herunterzuladen.

  • Es ist nicht möglich, auf eingebettete Analysen (Registerkarten Vergleichen und Analysieren) für das Experiment zuzugreifen.

  • Alle Features und Algorithmen werden bei der Konfiguration des Experiments für das Training ausgewählt. Sie können Features oder Algorithmen nicht abwählen. Darüber hinaus wird zum Trainieren von Modellen stets eine intelligente Modelloptimierung verwendet – eine manuelle Optimierung wird nicht unterstützt.

  • Es ist nicht möglich, zweite und nachfolgende Versionen eines Experiments zu trainieren.

Modelltypen

Nicht verfügbar für Zeitreihenmodelle.

Vorhersagetypen

Nicht verfügbar für Echtzeit- oder Konnektor-basierte Vorhersagen.

ML-Modellverwaltung

  • Sie können ein vorhandenes bereitgestelltes Modell nicht über den Chat ersetzen.

  • Sie können nicht mehrere Modelle aus verschiedenen Experimentversionen über den Chat bereitstellen.

  • Es ist nicht möglich, auf eingebettete Analysen (Modelloperationen und Drift-Überwachung) für die Bereitstellung zuzugreifen.

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!