Navigation dans l'interface de déploiement ML
Lorsque vous ouvrez votre déploiement ML, vous pouvez effectuer des activités de gestion et de surveillance et les utiliser pour créer des prédictions sur des jeux de données.
Ouvrez un déploiement ML depuis le catalogue. Il existe des options de navigation pour les éléments suivants :
Vue d'ensemble du déploiement
La Vue d'ensemble du déploiement affiche les caractéristiques utilisées dans l'apprentissage du modèle et les détails du déploiement.
Vue d'ensemble du déploiement ML
Si le modèle par défaut du déploiement est inactif, vous en êtes informé dans une bannière en haut de l'écran. Si vous disposez des autorisations nécessaires, vous pouvez activer le modèle en cliquant sur Activer le modèle. Pour plus d'informations, consultez :
Modèles déployables
Le volet Modèles déployables est l'endroit où vous pouvez gérer les alias de modèle et configurer les modèles utilisés pour les prédictions.
Pour plus d'informations, consultez Utilisation de plusieurs modèles dans votre déploiement ML.
Volet Modèles déployables dans Qlik Predict
![Volet Modèles déployables dans l'interface de déploiement ML [[[Undefined variable CommonComponents.AutoML]]]](../../Resources/Images/ui-automl_available-models.png "Cliquez pour voir en taille réelle")
Prédictions par lot
Dans Prédictions par lot, vous pouvez gérer et exécuter des prédictions par lot à l'aide du déploiement ML. Cliquez sur Créer une prédiction pour créer une configuration de prédiction à partir de laquelle vous exécutez des prédictions par lots. Pour un déploiement ML, vous pouvez avoir plusieurs configurations de prédiction.
Vous pouvez utiliser le menu Actions 
du tableau pour :
-
Afficher et modifier les détails des configurations de prédiction
-
Exécuter des prédictions à partir de configurations existantes
-
Modifier et supprimer des configurations
-
Créer, modifier et supprimer des planifications de prédiction d'une configuration existante
Prédictions par lot avec une vue d'ensemble et le menu Actions développé
Si vous sélectionnez Modifier la configuration de la prédiction, le volet Configuration de la prédiction s'ouvre. Vous pouvez comparer le modèle et le schéma de jeu de données à appliquer côte à côte à mesure que vous modifiez la prédiction.
Si votre déploiement contient un modèle de série temporelle, vous pouvez également afficher des détails importants sur le problème de série temporelle que vous avez défini, comme la fenêtre de projection, l'étape temporelle et la fenêtre à appliquer.
Prédictions par lot avec le volet latéral Configuration de la prédiction
Prédictions en temps réel
Le volet Prédictions en temps réel vous permet d'accéder au point de terminaison de prédiction en temps réel de Machine Learning API. Si le modèle par défaut du déploiement ML est activé de sorte à effectuer des prédictions, ce volet est visible.
Pour des informations sur la création de prévisions en temps réel, consultez Création de prédictions en temps réel.
L'API de prédictions en temps réel est obsolète et remplacée par le point de terminaison de prédiction en temps réel de API Apprentissage automatique. La fonctionnalité elle-même n'est pas obsolète. Pour les prédictions en temps réel futures, utilisez le point de terminaison de prédiction en temps réel de API Apprentissage automatique. Pour obtenir de l'aide pour la migration de l'API de prédictions en temps réel vers API Apprentissage automatique, consultez le Guide de migration sur le portail des développeurs Qlik Cloud.
Volet Prédictions en temps réel
Surveillance des opérations
Dans Surveillance des opérations, vous pouvez surveiller les informations d'utilisation du déploiement ML. Vous pouvez afficher des détails sur le mode d'utilisation du déploiement ML, comme le nombre d'événements de prédiction qui réussissent ou échouent, et la façon dont les événements de prédiction sont généralement déclenchés.
Pour plus d'informations, consultez Surveillance des opérations des modèles déployés.
Volet Surveillance des opérations dans un déploiement ML
Surveillance de la dérive des données
Dans Surveillance de la dérive des données, vous pouvez surveiller la dérive des données pour le déploiement ML.
Grâce à la surveillance de la dérive des données, vous pouvez évaluer les modifications dans la répartition des caractéristiques dans le modèle source. En cas d'observation d'une dérive importante, il est recommandé d'effectuer de nouveau l'apprentissage du modèle ou de reconfigurer le modèle afin de prendre en compte les données les plus récentes, qui peuvent indiquer de nouveaux schémas dans les tendances des données.
Pour plus d'informations, consultez Surveillance de la dérive des données dans les modèles déployés.
Volet Surveillance de la dérive des données dans un déploiement ML
