Utilizzo delle distribuzioni di ML

Dopo aver formato e perfezionato un modello, è possibile distribuirlo per generare previsioni.

Le distribuzioni di ML possono essere create negli spazi personali, condivisi e gestiti.

Flusso di lavoro

I passaggi seguenti sono un esempio di come lavorare con le distribuzioni e le previsioni di ML.

1. Distribuire il modello

   Distribuire il modello che si desidera usare per effettuare previsioni.

   Distribuzione di modelli

2. Ottenere l'approvazione del modello

   Prima di poter iniziare a generare previsioni con la distribuzione di ML, è necessario attivare il modello di origine per effettuare previsioni. L'approvazione del modello può essere effettuata da utenti e amministratori con autorizzazioni specifiche.

   Approvazione di modelli distribuiti

3. Effettuare previsioni

   Effettuare previsioni manuali o pianificate su set di dati o utilizzare l'endpoint per le previsioni in tempo reale nell'API di machine learning.

   Creazione di previsioni su set di dati

   API di machine learning

4. Visualizzare le informazioni strategiche predittive

   Caricare i dati di previsione generati in un'app e creare visualizzazioni.

   Visualizzazione dei valori SHAP nelle app Qlik Sense

5. Esplorare i dati con scenari di tipo "what-if".

   Integrare l'API di previsione in un'app per ottenere previsioni in tempo reale. Questo permette di provare scenari "what-if" cambiando i valori delle funzioni e ottenendo i risultati previsti per i nuovi valori. Il record viene inoltrato alla distribuzione ML tramite API e riceve una risposta in tempo reale. Ad esempio, cosa accadrebbe al rischio di abbandono dei clienti se cambiassimo il tipo di piano o aumentassimo la tariffa base?

6. Azioni da intraprendere

   Analizzare le informazioni strategiche e gli scenari per scoprire quali azioni intraprendere. Qlik Automate aiuta ad automatizzare le azioni e fornisce modelli specifici per i casi d'uso del machine learning. Per ulteriori informazioni sulle automazioni, vedere Qlik Automate. (solo in lingua inglese)

7. Sostituire i modelli quando è necessario

   Nel corso del tempo, i dati di input potrebbero cambiare nella distribuzione e nelle funzionalità. Se il problema di machine learning originale rimane lo stesso, è possibile scambiare i nuovi modelli nella distribuzione di ML esistente per consentire un miglioramento continuo delle previsioni con un'interruzione minima. Se è necessario ridefinire il problema di machine learning originale, è possibile creare un nuovo esperimento.

   Utilizzo di modelli multipli nella distribuzione di ML

Requisiti e autorizzazioni