Téléchargement de rapports d'apprentissage ML en tant qu'administrateur

Les administrateurs peuvent télécharger les rapports d'apprentissage des modèles d'apprentissage automatique déployés dont l'apprentissage est effectué avec Qlik Predict. Les rapports d'apprentissage comprennent des détails complets sur les processus d'apprentissage d'un modèle et éventuellement d'autres modèles de l'expérimentation ML. Les rapports d'apprentissage se présentent au format PDF.

Les utilisateurs ne disposant pas d'autorisations d'administration peuvent également télécharger les rapports d'apprentissage des expérimentations ML et des déploiements ML. Pour plus d'informations, consultez Téléchargement de rapports d'apprentissage ML.

Rapport d'apprentissage d'expérimentation — Rapport d'apprentissage ML

Cas d'utilisation

Grâce aux rapports d'apprentissage de modèles, vous pouvez :

Approfondir les processus d'apprentissage de vos modèles, par exemple à des fins d'audit.
Partager facilement les détails de l'apprentissage des modèles avec des utilisateurs extérieurs à Qlik Cloud.

Génération d'un rapport d'apprentissage

À partir du centre d'activités Administration

Procédez comme suit :

Dans Administration, accédez à Qlik Predict.
Ouvrez l'onglet Modèles déployés.
Cliquez sur à côté d'un modèle dans le tableau.
Sélectionnez Télécharger le rapport d'apprentissage.
Dans la boîte de dialogue, vous avez la possibilité d'activer Inclure les informations relatives à tous les modèles de l'expérimentation.

Lorsqu'il est activé, ce paramètre génère un rapport étendu contenant des informations sur tous les modèles dont l'apprentissage a été effectué dans le cadre de l'expérimentation.
Si nécessaire, cliquez sur Aperçu pour afficher le rapport sans le télécharger. Selon votre navigateur, vous devrez peut-être effectuer plusieurs tentatives.
Cliquez sur Télécharger. Le rapport est généré et enregistré dans votre dossier de téléchargements local.

À partir d'une expérimentation ML

Procédez comme suit :

Ouvrez une expérimentation ML.
Accédez à l'onglet Modèles.
Sélectionnez un modèle.
Dans le coin supérieur droit, cliquez sur Télécharger le rapport d'apprentissage.
Dans la boîte de dialogue, vous avez la possibilité d'activer Inclure les informations relatives à tous les modèles de l'expérimentation.

Lorsqu'il est activé, ce paramètre génère un rapport étendu contenant des informations sur tous les modèles dont l'apprentissage a été effectué dans le cadre de l'expérimentation.
Si nécessaire, cliquez sur Aperçu pour afficher le rapport sans le télécharger. Selon votre navigateur, vous devrez peut-être effectuer plusieurs tentatives.
Cliquez sur Télécharger. Le rapport est généré et enregistré dans votre dossier de téléchargements local.

Vous pouvez également générer un rapport d'apprentissage en cliquant sur Menu à trois points sur un modèle, puis en sélectionnant Télécharger le rapport d'apprentissage.

À partir d'un déploiement ML

Procédez comme suit :

Ouvrez un déploiement ML.
Accédez à l'onglet Modèles déployables.
Sous Tous les modèles dans le déploiement, cliquez sur près d'un modèle.
Sélectionnez Télécharger le rapport d'apprentissage.
Dans la boîte de dialogue, vous avez la possibilité d'activer Inclure les informations relatives à tous les modèles de l'expérimentation.

Lorsqu'il est activé, ce paramètre génère un rapport étendu contenant des informations sur tous les modèles dont l'apprentissage a été effectué dans le cadre de l'expérimentation. Consultez Versions complète et ciblée.
Si nécessaire, cliquez sur Aperçu pour afficher le rapport sans le télécharger. Selon votre navigateur, vous devrez peut-être effectuer plusieurs tentatives.
Cliquez sur Télécharger. Le rapport est généré et enregistré dans votre dossier de téléchargements local.

Éléments inclus dans un rapport d'apprentissage

Le rapport d'apprentissage présente, en détail, les informations suivantes. Certains détails peuvent n'être présents que si vous téléchargez la version complète du rapport d'apprentissage. Pour plus d'informations, consultez Versions complète et ciblée.

Auteur de l'expérimentation
Horodatage de l'apprentissage des expérimentations et du modèle
Emplacement et nom des ressources utilisées lors de l'apprentissage
Nombre de versions et de modèles de l'expérimentation
Algorithmes utilisés pour effectuer l'apprentissage des modèles
Détails sur les jeux de données d'apprentissage utilisés tels que la quantité de données qu'ils contiennent
Traitement effectué sur les données d'apprentissage avant et pendant l'apprentissage
Métriques de modèle des données d'apprentissage et de rétention
Données des hyperparamètres

Versions complète et ciblée

Lors du téléchargement d'un rapport d'apprentissage, l'utilisateur peut choisir d'activer un paramètre nommé Inclure les informations relatives à tous les modèles de l'expérimentation. Ce paramètre détermine si la version complète ou ciblée du rapport est générée.

Lorsque le paramètre Inclure les informations relatives à tous les modèles de l'expérimentation est activé, la version complète du rapport est générée. Ce rapport contient des informations supplémentaires sur les autres modèles dont l'apprentissage a été effectué dans le cadre de l'expérimentation.

En revanche, le rapport ciblé ne contient que les informations sur le modèle sélectionné. Les informations sur les autres modèles de l'expérimentation ne sont pas incluses.

Interprétation des termes du rapport d'apprentissage

Lors de l'analyse des rapports d'apprentissage, on suppose que vous comprenez les termes techniques référencés. La plupart des termes sont expliqués dans la documentation d'aide Qlik Predict.

Le tableau suivant fournit des définitions du contenu du rapport, ainsi que des rubriques d'aide utiles.

Comprendre les termes du rapport d'apprentissage
Terme	Signification	Contenu associé
Lots	Indique le nombre de lots de modèles dont l'apprentissage a été effectué dans le cadre de l'expérimentation. Lors de l'utilisation de l'optimisation de modèle intelligente, l'apprentissage des modèles est effectué par lots itératifs afin d'améliorer les performances et les résultats de l'apprentissage. En revanche, une version d'expérimentation qui n'utilise pas l'optimisation de modèle intelligente, c'est-à-dire l'optimisation manuelle, effectue l'apprentissage des modèles en un seul lot.	-
EDA	Fait référence à l'analyse de données exploratoire. Il s'agit d'un terme désignant un ensemble de traitements automatique effectué sur les données d'apprentissage avant le début de l'apprentissage du modèle.	Configuration de l'expérimentation
Encodage, Impact encoding, Encodage one-hot	Désigne le traitement appliqué aux données des caractéristiques afin de les rendre plus exploitables lors de l'apprentissage des modèles.	Encodage catégorique
Conception de caractéristiques	Désigne les nombreux processus qui aboutissent à de nouvelles caractéristiques. Il peut s'agir de nouvelles caractéristiques, qui sont exposées en tant que toutes nouvelles entités, mais aussi de caractéristiques créées par l'encodage et le traitement de texte libre.	Création de nouvelles colonnes de caractéristiques Ingénierie automatique des caractéristiques Encodage catégorique
Validation croisée à cinq plis	Fait référence à la validation croisée qui est effectuée sur les modèles après chaque itération d'apprentissage.	Données de rétention et validation croisée
Optimisation	Indique si l'apprentissage du modèle a utilisé une optimisation intelligente ou manuelle.	Utilisation de l'optimisation de modèle
Ratio d'échantillonnage	Indique la proportion du jeu de données d'apprentissage qui a été utilisée pour effectuer l'apprentissage du modèle. Lors de l'utilisation de l'optimisation de modèle intelligente, l'apprentissage des modèles peut parfois être effectué sur moins de 100 % du jeu de données d'origine, notamment pour les jeux de données très volumineux. En revanche, une version d'expérimentation qui n'utilise pas l'optimisation de modèle intelligente, c'est-à-dire l'optimisation manuelle, utilise toujours 100 % du jeu de données d'apprentissage.	Échantillonnage des données d'apprentissage
Fractionnement	Il s'agit d'un fractionnement automatique du jeu de données d'apprentissage en données d'apprentissage et en données de rétention. La rétention n'est pas utilisée pour l'apprentissage du modèle, mais plutôt pour tester les performances du modèle.	Données de rétention et validation croisée
U=écrasement par l'utilisateur	Désigne l'action de l'utilisateur consistant à modifier manuellement le type de caractéristique automatiquement identifié.	Modification des types de caractéristiques

Autorisations et conditions requises pour télécharger des rapports d'apprentissage

Autorisations et conditions requises pour effectuer un téléchargement à partir du centre d'activités Administration

Pour exporter un rapport d'apprentissage à partir du centre d'activités Administration, il faut que le modèle soit déployé dans au moins un déploiement ML.

Vous avez également besoin d'un accès en lecture sur le contenu de l'apprentissage automatique. En d'autres termes, en tant qu'administrateur, vous devez remplir l'un des conditions suivantes :

Rôle Tenant Admin
Rôle Analytics Admin
Autorisation admin Gérer les expérimentations et déploiements ML définie sur Accordé via User Default ou un rôle de sécurité personnalisé

Autorisations pour effectuer un téléchargement à partir d'expérimentations ML et de déploiements ML

S'il remplit l'une des conditions suivantes, un administrateur peut télécharger des rapports d'apprentissage à partir d'expérimentations ML et de déploiements ML :

Rôle Tenant Admin
Rôle Analytics Admin
Autorisation admin Gérer les expérimentations et déploiements ML définie sur Accordé via User Default ou un rôle de sécurité personnalisé

Limitations

Les rapports d'apprentissage ne sont disponibles que pour les expérimentations ML créées à partir de la fin juillet 2025.

Cette page vous a-t-elle aidé ?

Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – faites-le-nous savoir.

Laissez vos commentaires ici