Presentamos el aprendizaje automático o machine learning ML automatizado (AutoML)
Automatice todo el machine learning o aprendizaje automático de su equipo de análisis con Qlik AutoML. Con una sencilla interfaz sin código, puede crear fácilmente experimentos de aprendizaje automático para generar modelos y hacer predicciones.
¿Qué es el aprendizaje automático?
El aprendizaje automático es una rama de la inteligencia artificial y la ciencia de datos centrada en reconocer patrones en datos históricos para predecir resultados futuros. Los algoritmos se entrenan con los datos para construir un modelo predictivo sin estar programados explícitamente para ello. Un modelo de aprendizaje automático puede ayudarle a responder preguntas como:
-
¿Cancelará su membresía un cliente de mi gimnasio?
-
¿Cuál es el valor del ciclo de vida que se espera para un cliente determinado?
Más información sobre los conceptos básicos en Comprender el aprendizaje automático. También aprenderá sobre el marco estructurado para definir preguntas de aprendizaje automático y preparar conjuntos de datos.
¿Qué se puede hacer con el aprendizaje automático automatizado?
Cree experimentos automatizados de aprendizaje automático en Qlik Sense. En el centro de actividades Analítica puede colaborar en el experimento con otros usuarios y cargar fácilmente datos del Catálogo para entrenar el modelo.
Integre su análisis predictivo con aplicaciones de Qlik Sense para compartir sus hallazgos. Explore más allá con visualizaciones y escenarios hipotéticos interactivos para comprender cómo el cambio de diferentes parámetros podría afectar al resultado deseado.
Puede hacer predicciones para conjuntos de datos almacenados en el Catálogo o hacer predicciones operativas en tiempo real usando las API de Qlik Sense.
¿Cómo funcionan los experimentos?
Un experimento entrena algoritmos de aprendizaje automático en un conjunto de datos particular con un objetivo en particular. El entrenamiento genera modelos de aprendizaje automático, que puede usar para hacer predicciones.
La mayor parte del proceso está automatizado en el aprendizaje automático automatizado. Cuando crea un experimento y carga un conjunto de datos, el conjunto de datos se analiza automáticamente y los datos se preprocesan para prepararlos para el aprendizaje automático. Se muestran estadísticas y otra información sobre cada columna para ayudarle a seleccionar un objetivo. Cuando comienza el entrenamiento, varios algoritmos comienzan a buscar patrones en los datos. Para más información sobre cómo crear y entrenar experimentos, vea Trabajar con experimentos.
Cuando el entrenamiento finaliza, las puntuaciones y los rangos le permiten evaluar los modelos de aprendizaje automático generados. Al cambiar los parámetros e iterar el entrenamiento, puede generar varias versiones. Elija el modelo con mejor rendimiento para su conjunto de datos e impleméntelo para comenzar a hacer predicciones. Para más información, vea Trabajar con implementaciones de ML.
Como muestra la siguiente imagen, un experimento puede tener varias versiones, cada una con uno o más algoritmos. El modelo con el algoritmo de mejor rendimiento se puede implementar para hacer predicciones. Esto significa que un experimento puede resultar en varias implementaciones de ML.
Acceso de usuario a AutoML
Para obtener detalles completos sobre cómo los usuarios pueden acceder a Qlik AutoML, consulte Quién puede trabajar con Qlik AutoML.
Limitaciones de AutoML y capacidades gobernadas mediante licencias
AutoML es una capacidad adicional de pago. Alguna funcionalidad limitada va incluida en las correspondientes suscripciones. Las características y capacidad específicas dependen de su nivel de suscripción.
Limitaciones
-
Qlik AutoML tiene un límite en cuanto a la tasa de API de 300 solicitudes por minuto.
-
Número máximo de columnas en el conjunto de datos: 500
Esto se aplica a los conjuntos de datos utilizados para entrenar experimentos y generar predicciones. El límite es el número de columnas utilizadas como características en una versión del experimento. Puede haber más columnas en el conjunto de datos y los límites se calculan cuando las columnas se incluyen en el conjunto de datos.
Capacidades reguladas mediante licencia
Su licencia de cliente determina la capacidad de las diversas métricas que rigen cómo puede utilizar Qlik AutoML. Sus métricas de uso se miden como una combinación del uso que hace de los servicios de AutoML a través de la interfaz de usuario de AutoML, el análisis de factores clave en una aplicación de Qlik Sense y a través de las API públicas.
Hay varios niveles de AutoML disponibles, según las necesidades de su negocio. Existen los siguientes dos tipos de niveles:
-
Nivel incluido: esta es la funcionalidad básica de AutoML con capacidades limitadas. Se incluye con una suscripción a Qlik Sense Enterprise SaaS, Analítica Estándar de Qlik Cloud, Analítica Premium de Qlik Cloud, Qlik Cloud Enterprise o Qlik Talend Cloud (Estándar, Premium o Enterprise). El nivel incluido es adecuado para fines de prueba y para evaluar cómo puede ayudarle Qlik AutoML a satisfacer sus necesidades de negocio. No es adecuado para casos de uso de producción. Para disponer de unas capacidades más exhaustivas, considere un nivel de pago de Qlik AutoML.
-
Niveles de pago: hay varios paquetes que brindan las capacidades integrales de AutoML necesarias para los casos de uso de producción. Están disponibles como complementos de pago adicionales a una suscripción de Qlik Cloud.
Las siguientes funciones solo están disponibles en los niveles de pago de Qlik AutoML:
-
Optimización de hiperparámetros
-
Predicciones programadas
-
Predicciones en tiempo real
-
El conector Qlik AutoML
Para obtener más información sobre lo que se incluye en cada tipo de nivel de AutoML, consulte la tabla siguiente.
| Métrica | Descripción | Disponible en el nivel incluido | Disponible en los niveles de pago |
|---|---|---|---|
| Modelos implementados | El nivel incluido en una suscripción de Qlik Cloud define una cantidad máxima de modelos implementados que se pueden crear en todos los espacios empresariales inquilinos constituidos dentro de la licencia. Este límite de consumo se define por modelo, lo que significa que varias implementaciones de ML creadas a partir de un único modelo cuentan como un único modelo implementado. | Sí | Sí |
| Entrenamiento concurrente | Esta es la cantidad de modelos que un espacio empresarial inquilino puede entrenar en paralelo. En el nivel incluido de Qlik AutoML, cada modelo se ejecutará uno tras otro. Los niveles de pago incluyen una capacidad extra que le permitirá a su espacio inquilino entrenar varios modelos simultáneamente. | No | Sí |
| Mayor tamaño del conjunto de datos | Los niveles de pago proporcionan mayores tamaños de conjuntos de datos para los modelos de entrenamiento. | No | Sí |
| Predicciones manuales por lotes | Predice todas las filas de un conjunto de datos manualmente. | Sí | Sí |
| Predicciones por lotes programadas | Configure sus predicciones para que se ejecuten según una programación, en lugar de iniciarlas manualmente. Las predicciones programadas solo están disponibles con los niveles de pago de Qlik AutoML. Para más información, vea Programación de predicciones. | No | Sí |
| Predicciones en tiempo real | Utilice esta API para usar sus implementaciones de ML para ejecutar predicciones en tiempo real. Para más información, vea Crear predicciones en tiempo real. | No | Sí |
| Conector Qlik AutoML en Analítica de Qlik Cloud | Con este conector de análisis, puede cargar datos desde la plataforma integrada de Qlik AutoML a Qlik Cloud. Para más información, vea Fuente de analítica de Qlik AutoML. | No | Sí |
| Optimización de hiperparámetros | La optimización de hiperparámetros le permite ajustar sus modelos de AutoML para obtener un mayor control sobre el proceso de aprendizaje. Para más información, vea Optimización de hiperparámetros. | No | Sí |
Para obtener información detallada sobre las métricas de su licencia, consulte la descripción del producto Qlik Cloud® Subscriptions. Los administradores pueden ver la información sobre licencias y controlar el número de modelos implementados en el centro de actividades Administración. Para más información, vea Supervisar el consumo de recursos.