Ga naar hoofdinhoud Ga naar aanvullende inhoud

Introductie van geautomatiseerde machine learning

Automatiseer machine learning voor uw analyseteam met Qlik AutoML. Met de eenvoudige, codevrije interface kunt u gemakkelijk machine learning-experimenten maken om modellen te genereren en voorspellingen te maken.

Wat is machine learning?

Machine learning is een tak van kunstmatige intelligentie (artificial intelligence of AI) en gegevenswetenschap gericht op het herkennen van patronen in historische gegevens om uitkomsten in de toekomst te kunnen voorspellen. Algoritmen worden getraind op basis van de gegevens om een voorspellend model op te bouwen zonder dat ze expliciet worden geprogrammeerd om dat te doen. Een machine learning-model kan helpen uw vragen te beantwoorden, zoals:

  • Zal een sportschoolklant zijn of haar lidmaatschap opzeggen?

  • Wat is de verwachte levensduurwaarde voor een bepaalde klant?

Lees meer over de basisconcepten in Meer informatie over machine learning. U leert tevens over het gestructureerde kader voor het definiëren van machine learning-vragen en het voorbereiden van gegevensverzamelingen.

Wat kunt u doen met geautomatiseerde machine learning?

Maak geautomatiseerde experimenten voor machine learning in Qlik Sense. In de hub kunt u met andere gebruikers samenwerken aan een experiment en kunt u heel eenvoudig gegevens laden vanuit Catalogus om het model te trainen.

Integreer uw voorspellende analyses met Qlik Sense-apps om uw bevindingen te delen. Onderzoek verder met behulp van visualisaties en interactieve wat-als-scenario's om meer inzicht te krijgen in hoe het veranderen van verschillende parameters invloed kan hebben op uw gewenste resultaat.

U kunt voorspellingen maken voor gegevensverzamelingen die zijn opgeslagen in Catalogus of operationele voorspellingen in realtime maken met Qlik Sense API's.

Hoe werken experimenten?

Een experiment traint machine learning-algoritmen voor een specifieke gegevensverzameling met een specifiek doel. De training genereert machine learning-modellen die u kunt gebruiken om voorspellingen te maken.

Het grootste deel van het proces wordt bij geautomatiseerde machine learning geautomatiseerd. Als u een experiment maakt en een gegevensverzameling laadt, wordt de gegevensverzameling automatisch geanalyseerd en worden de gegevens voorbewerkt voor machine learning. Er worden voor iedere kolom statistieken en andere informatie weergegeven om u te helpen een doel te selecteren. Wanneer u begint met de training, beginnen verschillende algoritmen met zoeken naar patronen in de gegevens. Voor meer informatie over het maken en trainen van experimenten, raadpleegt u Werken met experimenten.

Wanneer de training is voltooid, kunt u aan de hand van scores en rangschikking de gegenereerde machine learning-modellen evalueren. Door parameters te veranderen en de training opnieuw uit te voeren, kunt u verschillende versies genereren. Kies het best presterende model voor uw gegevensverzameling en implementeer het om voorspellingen te gaan maken. Ga voor meer informatie naar Werken met ML-implementaties.

Zoals de volgende afbeelding laat zien, kan een experiment meerdere versies hebben. Elk van deze versies gebruikt één of meer algoritmen. Het model met het best presterende algoritme kan worden geïmplementeerd om voorspellingen te maken. Dat betekent dat één experiment kan resulteren in verschillende ML-implementaties.

Overzicht van hoe experimenten, versies, algoritmen, modellen en voorspellingen zich onderling verhouden.

Wie mag werken met experimenten en ML-implementaties?

Gebruikers met Professional-gebruikersrecht kunnen experimenten aanmaken in persoonlijke of gedeelde ruimten in Qlik Cloud. Ze kunnen modellen in persoonlijke of gedeelde ruimten toepassen en voorspellingen genereren. Ze kunnen tevens ML-implementaties publiceren in beheerde ruimten.

Uw experimenten en ML-implementaties worden opgeslagen in Catalogus. Filter op type of gebruik de verzamelingen om ze gemakkelijk te vinden. Toegang tot de ruimte wordt beheerd. Zie Werken in ruimten voor meer informatie over ruimten.

Tenantbeheerders kunnen experimenten en ML-implementaties beheren vanuit de Beheerconsole. Ga voor meer informatie naar Experimenten en ML-implementaties beheren.

AutoML-beperkingen en gelicentieerde functionaliteit

AutoML is een aanvullende, betaalde functionaliteit. Bepaalde beperkte functionaliteit zit inbegrepen bij het Qlik Sense Enterprise SaaS-abonnement. De specifieke functies en capaciteiten zijn afhankelijk van uw abonnementsniveau.

Beperkingen

  • Maximumaantal kolommen in de gegevensverzameling: 500

    Dit is van toepassing op de gegevensverzamelingen die worden gebruikt voor trainingsexperimenten en voor het genereren van voorspellingen. De limiet is het aantal kolommen dat wordt gebruikt als de kenmerken voor een experimentversie. Er kunnen meer kolommen in de gegevensverzameling zitten en de beperkingen worden berekend wanneer kolommen aan de gegevensverzameling worden toegevoegd.

Door licentie geregelde functionaliteit

Uw klantlicentie bepaalt de capaciteit van de volgende statistieken:

  • Aantal ML-implementaties

    Er wordt een quotumeenheid gebruikt wanneer er een model wordt geïmplementeerd. De eenheid wordt geretourneerd als de ML-implementatie wordt verwijderd. Als u dezelfde modelversie meerdere keren gebruikt, telt dat als één ML-implementatie.

  • Omvang gegevensverzameling (in totale aantal cellen)

    Dit is van toepassing op de gegevensverzamelingen die worden gebruikt voor trainingsexperimenten en voor het genereren van voorspellingen. De limiet is het aantal kolommen dat wordt gebruikt als de kenmerken voor een experimentversie, vermenigvuldigd met het aantal rijen. Er kunnen meer kolommen in de gegevensverzameling zitten en de beperkingen worden berekend wanneer kolommen aan de gegevensverzameling worden toegevoegd.

  • Aantal gelijktijdige taken

    Dit is het aantal experimenttrainingstaken dat een tenant tegelijkertijd mag uitvoeren.

  • Geavanceerde functies – Alleen beschikbaar voor klanten met een aanvullend AutoML-abonnement

    De geavanceerde functies zijn hyperparameteroptimalisatie en de voorspellings-API.

  • Frequentielimiet voor API: 5 verzoeken per seconde (per ML-implementatie)

GERELATEERD LESMATERIAAL:

Meer informatie

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!