Introduction à l'apprentissage automatique

Automatisez l'apprentissage automatique pour votre équipe chargée des analyses avec Qlik AutoML. Grâce à son interface simple sans code, vous pouvez facilement créer des expérimentations en apprentissage automatique afin de générer des modèles et d'effectuer des prédictions.

En quoi consiste l'apprentissage automatique

L'apprentissage automatique est une branche de l'intelligence artificielle et de la science des données (Data Science) axée sur la reconnaissance de patterns dans les données historiques pour prédire des résultats futurs. Des algorithmes sont formés sur les données pour créer un modèle prédictif sans avoir été explicitement programmés pour le faire. Un modèle d'apprentissage automatique peuvent vous aider à répondre à des questions telles que les suivantes :

• Un client d'une salle de sport va-t-il annuler son abonnement ?

• Quelle est la valeur de la durée de vie prévue d'un client donné ?

Lisez-en plus sur les concepts de base à la section Comprendre l'apprentissage automatique. Vous découvrirez également le cadre structuré permettant de définir des questions d'apprentissage automatique et de préparer des jeux de données.

Ce qu'il est possible de faire avec l'apprentissage automatique

Créez des expérimentations d'apprentissage automatique dans Qlik Sense. Dans le centre d'activités Analyses, vous pouvez collaborer sur l'expérimentation avec d'autres utilisateurs et charger facilement des données depuis Catalogue pour effectuer l'apprentissage du modèle.

Intégrez vos analyses prédictives à des applications Qlik Sense pour partager vos découvertes. Explorez davantage via des visualisations et des scénarios hypothétiques interactifs pour comprendre comment la modification de différents paramètres peut affecter le résultat recherché.

Vous pouvez effectuer des prédictions sur des jeux de données de Catalogue ou réaliser des prédictions opérationnelles en temps réel via des API Qlik Sense.

Fonctionnement des expérimentations

Une expérimentation forme des algorithmes d'apprentissage automatique sur un jeu de données spécifique avec une cible déterminée. L'apprentissage génère des modèles d'apprentissage automatique que vous pouvez utiliser pour effectuer des prédictions.

La majeure partie du processus est automatisée dans le cadre d'un apprentissage automatique. Lorsque vous créez une expérimentation et que vous chargez un jeu de données, ce dernier est automatiquement analysé et les données sont pré-traitées pour les préparer à l'apprentissage automatique. Des statistiques et d'autres informations sur chaque colonne sont affichées pour vous aider à sélectionner une cible. Lorsque vous démarrez l'apprentissage, plusieurs algorithmes commencent à rechercher des patterns dans les données. Pour plus d'informations sur la création et l'apprentissage d'expérimentations, voir Utilisation d'expérimentations.

Une fois l'apprentissage terminé, des scores et des classements vous permettent d'évaluer les modèles d'apprentissage automatique générés. En modifiant les paramètres et en itérant l'apprentissage, vous pouvez générer un certain nombre de versions. Sélectionnez le modèle le plus performant pour votre jeu de données et déployez-le pour commencer à effectuer des prédictions. Pour plus d'informations, consultez Utilisation de déploiements ML.

Comme illustré sur l'image suivante, une expérimentation peut avoir différentes versions, chacune utilisant un ou plusieurs algorithmes. Le modèle avec l'algorithme le plus performant peut être déployé pour effectuer des prédictions. Cela signifie qu'une expérimentation peut aboutir à plusieurs déploiements ML.

Limitations de AutoML

AutoML est une fonctionnalité payante complémentaire. Certaines fonctionnalités limitées sont incluses dans les abonnements applicables. Les fonctionnalités et la capacité spécifiques dépendent de votre niveau d'abonnement.

• Qlik AutoML a une limite de débit d'API de 300 requêtes par minute.

• Nombre maximal de colonnes du jeu de données : 500

  Cela s'applique aux jeux de données utilisés pour former des expérimentations et générer des prédictions. La limite correspond au nombre de colonnes utilisées comme caractéristiques dans une version d'expérimentation. Le jeu de données peut comporter davantage de colonnes et les limites sont calculées lors de l'inclusion des colonnes dans le jeu de données.