Ga naar hoofdinhoud Ga naar aanvullende inhoud

Werken met ML-implementaties

Nadat u een model hebt getraind en verfijnd, kunt u het implementeren om voorspellingen te genereren.

ML-implementaties kunnen in persoonlijke, gedeelde en beheerde ruimten worden gemaakt.

Workflow

De volgende stappen zijn een voorbeeld van hoe u met ML-implementaties en voorspellingen werkt.

  1. Uw model implementeren

    Implementeer het model dat u wilt gebruiken om voorspellingen te maken.

    Modellen implementeren

  2. Uw model laten goedkeuren

    Voordat u kunt beginnen met het doen van voorspellingen met uw ML‑implementaties, moet het bronmodel voor voorspellingen worden geactiveerd. Modelgoedkeuring kan worden uitgevoerd door gebruikers en beheerders met specifieke machtigingen.

    Geïmplementeerde modellen goedkeuren

  3. Voorspellingen maken

    Maak handmatige of geplande voorspellingen voor gegevensverzamelingen of gebruik het eindpunt voor realtime voorspellingen in de Machine Learning API.

    Voorspellingen maken voor gegevensverzamelingen

    Machine Learning API

  4. Voorspellende inzichten visualiseren

    Laad de gegenereerde voorspellingsgegevens in een app en maak visualisaties.

    SHAP-waarden in Qlik Sense-apps visualiseren

  5. Gegevens met wat-als-scenario's verkennen

    Integreer de voorspellings-API in een app om realtime voorspellingen te krijgen. Hiermee kunt u wat-als-scenario's uitproberen door de kenmerkwaarden te veranderen en voorspelde uitkomsten voor de nieuw waarden te krijgen. De record wordt doorgegeven aan de ML-implementatie via de API en er wordt in realtime een respons ontvangen. Bijvoorbeeld: wat zou er gebeuren met het risico op klantverloop als we het abonnementstype zouden veranderen of de basiskosten zouden verhogen?

  6. Actie nemen

    Analyseer de voorspellende inzichten en scenario's om te kijken welke acties u moet nemen. Qlik toepassingsautomatisering helpt u de acties te automatiseren en biedt specifieke sjablonen voor machine learning use cases. Zie Qlik toepassingsautomatisering (alleen in het Engels) voor meer informatie over automatisering.

  7. Modellen vervangen wanneer nodig

    Na verloop van tijd kunnen de distributie en functies van uw invoergegevens veranderen. Als uw oorspronkelijke machine learning-probleem hetzelfde blijft, kunt u nieuwe modellen in uw bestaande ML-implementatie implementeren zodat voorspellingen naadloos kunnen worden verbeterd met minimale verstoring. Als u uw oorspronkelijke machine learning-probleem opnieuw moet definiëren, kunt u een nieuw experiment maken.

    Meerdere modellen in uw ML‑implementatie gebruiken

Vereisten en machtigingen

Raadpleeg Toegangscontroles voor ML-implementaties en voorspellingen voor meer informatie over de machtigingsvereisten voor het werken met ML-implementaties en voorspellingen.

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!