Utilisation de déploiements ML
Après avoir formé et affiné un modèle, vous pouvez le déployer pour réaliser des prédictions.
Il est possible de créer des déploiements ML dans des espaces personnels, partagés et gérés.
Flux de travail
Les étapes suivantes montrent, dans un exemple, comment utiliser des déploiements ML et des prédictions.
- Déployez le modèle
Déployez le modèle à utiliser pour faire des prédictions.
- Faire approuver votre modèle
Avant de pouvoir effectuer des prédictions avec le déploiement ML, vous devez activer le modèle source pour qu'il puisse effectuer des prédictions. L'approbation de modèles peut être effectuée par les utilisateurs et les administrateurs titulaires d'autorisations spécifiques.
- Réalisation de prédictions
Effectuez des prédictions manuelles ou planifiées sur les jeux de données ou utilisez le point de terminaison de prédiction en temps réel de l'API Apprentissage automatique.
- Visualisez les informations prédictives
Chargez les données de prédiction générées dans une application et créez des visualisations.
Visualisation de valeurs de Shapley dans des applications Qlik Sense
- Explorez les données via des scénarios hypothétiques
Intégrez l'API de prédiction à une application pour obtenir des prédictions en temps réel. Cela vous permet d'essayer des scénarios hypothétiques en modifiant les valeurs des caractéristiques et en obtenant les résultats prédits des nouvelles valeurs. L'enregistrement est transmis au déploiement ML via l'API et une réponse est reçue en temps réel. Par exemple, quel serait le risque de perte de clientèle si nous modifiions le type de programme ou si nous augmentions le tarif de base ?
- Agissez
Analysez les informations prédictives et les scénarios pour savoir comment agir. Qlik Application Automation vous aide à automatiser les actions et fournit des modèles spécifiques pour des cas d'utilisation d'apprentissage automatique. Pour plus d'informations sur les automatisations, voir Qlik Application Automation (uniquement en anglais).
- Remplacement de modèles, si nécessaire
Au fil du temps, la distribution et les caractéristiques de vos données d'entrée peuvent changer. Si votre problème d'apprentissage automatique initial reste le même, vous pouvez passer à de nouveaux modèles dans votre déploiement ML existant pour permettre une amélioration en toute transparence des prédictions avec un minimum de perturbations. Si vous devez redéfinir votre problème d'apprentissage automatique initial, vous pouvez créer une nouvelle expérimentation.
Conditions requises et autorisations
Pour des informations sur les conditions requises relatives aux autorisations utilisateur pour pouvoir utiliser des prédictions et des déploiements ML, consultez Contrôles d'accès des déploiements et des prédictions ML.