Herkomst analyseren in Analyse

Herkomst herleidt gegevens en gegevenstransformaties terug naar de oorspronkelijke bron. Qlik Cloud biedt een gedetailleerde visuele weergave van de geschiedenis van deze stroom, waarmee u op interactieve wijze de upstreamherkomst of analyse-inhoud kunt onderzoeken. Herkomst is beschikbaar voor inhoud zoals apps, scripts, gegevensstromen, ML-experimenten, ML-implementaties en gegevensverzamelingen.

Wanneer u een analyse-app gebruikt, opent u de overzichtsweergave van de herkomst, een weergave van metingen en dimensies die in een bepaald diagramobject worden gebruikt. Met deze weergave kunt u de bron identificeren, waardoor u erop kunt vertrouwen dat u begrijpt en vertrouwt wat u ziet en waar u mee werkt. Ga voor meer informatie naar In-app overzichtsweergave van herkomst.

Zakelijke gebruikers die een specifiek veld onderzoeken kunnen de herkomst bekijken voor het veld dat de belangrijkste afhankelijkheden weergeeft:

• Velden die zijn gebruikt voor het afleiden ervan
• Directe koppelingen en afhankelijkheden, inclusief eigenaar en ruimte
• Originele bron (de eerste bekende bron)

Om downstream- of toekomstgerichte afhankelijkheden te bekijken, moet een gebruiker onderzoeken welke elementen worden beïnvloed door een wijziging van een object. Dit doen ze door de impactanalyse te bekijken. Zie: Impactanalyse analyseren in Analyse.

Voor een visuele demo over het gebruik van herkomst raadpleegt u:

Herkomst gebruiken

De herkomstgrafiek

De herkomstgrafiek toont de gegevensstroom van analyse-inhoud in een interactieve, grafische diagram. Een bron, tabel of een veld heet een knooppunt in een herkomstgrafiek. Wanneer een knooppunt het basisknooppunt is dat wordt onderzocht, is dat knooppunt in focus en wordt het weergegeven als het laatste element in een grafiek. Op het meest gedetailleerde niveau laat de herkomstgrafiek op veldniveau de gegevensbronnen en transformaties zien die de bron vormen voor een knooppunt of waar een knooppunt van afhankelijk is.

Herkomstgrafieken zijn nuttig voor:

• Data-experts die met gegevens werken

• Zakelijke specialisten die apps ontwikkelen

• Geavanceerde zakelijke app-gebruikers

• Gebruikers die met machine learning-modellen werken

Elk knooppunt vertegenwoordigt een stap binnen de herkomst van de geselecteerde inhoud. Deze herkomstinformatie wordt verzameld telkens wanneer een analytisch bedrijfsmiddel zijn gegevens vernieuwt. Als uw app, script of gegevensstroom niet recent opnieuw is vernieuwd, is de herkomst mogelijk onvolledig of onjuist.

Herkomst is beschikbaar voor ondersteunde inhoudstypen vanaf de tegel of rij zoals ze in uw catalogus verschijnen. U kunt herkomst analyseren voor de volgende analyse-inhoud:

• Gegevensverzameling: gegevensverzamelingen zijn gegevensbronnen, zoals gegevens die zijn geladen vanuit connectors of gegevensbestanden. Gegevensverzamelingen kunnen tabellen zijn in een database, gegevens die zijn geüpload naar gegevensopslag of gegevens die zijn gegenereerd vanuit een app, zoals een QVD-bestand. Gegevensverzamelingen bevatten meestal één tabel, maar sommige (bijvoorbeel Excel-bestanden) kunnen meerdere tabellen bevatten.

  Gegevensverzamelingen die zijn gepubliceerd vanuit Talend Studio worden aangegeven met . U kunt naar de Talend Management Console-taak gaan die gebruikt werd om de gegevensverzameling te genereren door te klikken op TMC-taak openen in het ... menu van de gegevensverzameling. Ga voor meer informatie naar Gegevensverzamelingen en herkomst publiceren naar Qlik Cloud.

• App: app-knooppunten vertegenwoordigen Qlik Sense-analyse-apps die de gegevensbronnen in de herkomst gebruiken. App-knooppunten tonen de app-naam en locatie van de app als Qlik Sense.

• Script: scriptknooppunten vertegenwoordigen scripts die gemaakt zijn in de Script-interface.

• Gegevensstromen: gegevensstromen kunnen worden geïnspecteerd voor een beter begrip van de gegevensbronnen die ze gebruiken en transformeren.

• ML‑experiment: u kunt de herkomst van een machine learning-experiment begrijpen, die bestaat uit de gegevensbronnen die zijn samengekomen om de trainingsgegevens voor machine learning-modellen te produceren.

• ML-implementatie: u kunt de herkomst van een ML‑implementatie begrijpen en hoe deze wordt gebruikt in voorspellingen. Herkomst voor ML-implementaties bestaat meestal uit ML-experimenten, experimentversies, modellen en gegevensverzamelingen.

Vaak voorkomende invoerknooppunten zijn gegevensbronnen die door het basisknooppunt worden gebruikt of apps die gegevensverzamelingen produceren. Herkomst op veldniveau maakt een gedetailleerd onderzoek mogelijk van de manier waarop velden zijn berekend en de specifieke oorsprong van velden binnen transformaties en toepassingen.

De knooppunten die beschikbaar zijn in een herkomstgrafiek vormen de invoer voor uw geselecteerde inhoud. Selecteer een item om het als het basisknooppunt aan te wijzen. Invoerknooppunten zijn knooppunten die zich boven het hoofdknooppunt bevinden.

De knooppunten die beschikbaar zijn in een herkomstgrafiek vormen de invoer voor uw geselecteerde basisknooppunt, oftewel het knooppunt in focus. Het basisknooppunt is het enkelvoudige knooppunt waarvoor u de herkomst wilt ophalen; het is bijvoorbeeld een applicatie, gegevensstroom, ML‑experiment, gegevensverzameling, bestand, tabel of veld.

Dit is het meest rechtse knooppunt op uw scherm, met een blauwe omranding. Dit vormt de focus van uw onderzoek en alleen invoer voor dit basisknooppunt wordt weergegeven.

U kunt de herkomst verkennen en het basisknooppunt wijzigen naar een andere tabel, applicatgie, veld of ander item op het scherm ten behoeve van uw onderzoek.

De lijnen die de knooppunten met elkaar verbinden worden randen genoemd. Randen vertegenwoordigen de relatie tussen twee knooppunten. Ze vertegenwoordigen relaties die koppelingen aangeven, zoals een gegevensverzameling die wordt gebruikt door een toepassing. Ze kunnen ook gegevens vertegenwoordigen die als bijproduct van een toepassing worden geproduceerd. De verzameling van knooppunten en randen vormen samen de herkomstgrafiek.

Vouw knooppunten uit of samen om hierarchieniveaus te tonen uit meer of minder gedetailleerde niveaus, beginnend met de gegevensverzamelingsgroep of app op hoger niveau tot aan het meest gedetailleerde niveau. Dit laatste is het veldniveau.

Knooppuntdetails

De details die u kunt zien zijn afhankelijk van uw toegang tot dat object. Details kunnen de volgende informatie tonen:

• Naam

• Beschrijving

• Extra info

• Locatie

• Ruimte

• Eigenaar

• Maker

• Laatst gewijzigd

Navigeren in de herkomstgrafiek

Klik en sleep om te navigeren in het herkomstdiagram en het te centreren. U kunt ook de navigatieknoppen gebruiken. Selecteer Start om de herkomstgrafiek te centreren op het basisknooppunt. Klik op Terug en Verder om door uw selecties te bewegen.

De herkomstgrafiek toont de upstream afhankelijkheden voor uw analyse-inhoud, die als standaardknooppunt wordt weergegeven wanneer u de grafiek ervoor opent. U kunt een herkomst (upstream) of impactanalyse (downstream) openen voor andere knooppunten die in de grafiek verschijnen door en Herkomst ( nieuw basisknooppunt) of Impactanalyse te selecteren. Selecteer een knooppunt om het als het basisknooppunt aan te wijzen.

Vouw uit of vouw de knooppunten samen om groepen of objecten van hetzelfde niveau uit of samen te vouwen.

Overzichtsweergave van herkomst in een app

De overzichtsweergave van de herkomst in een app kan professionele gebruikers een overzicht op hoog niveau geven van de upstream afhankelijkheden in de app. Zie In-app overzichtsweergave van herkomst voor meer informatie.

Herkomst analyseren inhoud van machine learning

U kunt de herkomstgrafiek gebruiken om de oorsprong van inhoud van machine learning te analyseren, inclusief ML-experimenten, ML-implementaties en gegevensverzamelingen. Gebruik de grafiek voor een holistisch overzicht van hoe machine learning-modellen zijn gemaakt, op basis van welke gegevens ze zijn getraind en waarvoor ze in productiescenario's worden gebruikt.

Experimenten, implementaties en gegevensverzamelingen verschijnen ook als knooppunten bij het analyseren van andere inhoud in de herkomstgrafiek, zoals downstream apps.

Bedrijfsmiddelen voor machine learning worden ook weergegeven in Impactanalyse voor een uitgebreide analyse van downstream inhoud. Ga voor meer informatie naar Impactanalyse analyseren in Analyse.

Herkomst openen voor inhoud van machine learning

Voer een van de volgende handelingen uit:

• Klik in uw activiteitencentrum op naast een ML-experiment, ML-implementatie of gegevensverzameling en selecteer Herkomst.

• Klik in een ML-experiment of ML-implementatie op in de navigatiebalk en selecteer Herkomst.

Navigeren in Herkomst voor inhoud van machine learning

U verkent knooppunten voor machine learning op dezelfde manier als andere inhoud. Zie voor overzichten van interfaces:

• De herkomstgrafiek

• Navigeren in de herkomstgrafiek

Machine learning-items herkennen in de herkomstgrafiek

De volgende tabel geeft een overzicht van veelvoorkomende items met betrekking tot machine learning die in de herkomstgrafiek verschijnen.

Veelvoorkomende herkomstitems voor machine learning

Item	Pictogram(men)	Uitleg
Bestandsopslag		Niet uniek voor inhoud van machine learning. Toont de locatie waar een gegevensverzameling is opgeslagen (in de meeste gevallen in een ruimte). Relevant voor trainingsgegevensverzamelingen, exports van ingesloten analyses in een experiment, toegepaste gegevensverzamelingen voor voorspellingen, en uitvoergegevensverzamelingen van voorspellingen.
Gegevensverzameling	Veel (bijvoorbeeld voor QVD)	Niet uniek voor inhoud van machine learning. Wordt gebruikt om trainingsgegevensverzamelingen, exports van ingesloten analyses in een experiment, toegepaste gegevensverzamelingen en uitvoergegevensverzamelingen van voorspellingen weer te geven.
ML-experiment		Een ML‑experiment waarin modellen worden getraind.
ML-experimentversie		De versie binnen het ML-experiment, waarin één of meer modellen zijn getraind.
ML‑model		Een ML-model getraind binnen een experimentversie. Wordt gebruikt om getrainde modellen in een ML-experiment en geïmplementeerde modellen in een ML-implementatie weer te geven.
ML-implementatie		Een ML-implementatie die één of meer geïmplementeerde modellen bevat.
Geen pictogram	-	Uitvoerknooppunten van een voorspelling binnen een ML‑implementatie hebben geen pictogrammen. Velden die zijn opgenomen in een uitvoergegevensverzameling van een voorspelling hebben ook geen pictogrammen.

Herkomst en ML‑experimenten

ML‑experimenten kunnen op een van de volgende manieren verschijnen:

• Als basisknooppunt van een herkomstgrafiek.

• Als upstreamknooppunten van andere processen en uitvoer, zoals voorspellingen of voorspellende apps.

ML‑experimenten worden gegroepeerd weergegeven. Ze vouwen als volgt uit:

• Een ML-experiment vouwt zich uit in één of meer experimentversies.

• Een experimentversie vouwt zich uit in één of meer ML-modellen.,

Wanneer een in een experiment getraind model wordt geïmplementeerd in een ML-implementatie, verschijnt het in de herkomstgrafiek wanneer downstream inhoud (bijvoorbeeld voorspellingen of ML-implementaties) wordt geselecteerd als basisknooppunt.

Herkomst en ML-implementaties

ML‑implementaties kunnen op een van de volgende manieren verschijnen:

• Als basisknooppunt van een herkomstgrafiek.

• Als upstream knooppunten van andere processen, zoals voorspellende apps, scripts of gegevensstromen.

ML‑implementaties worden gegroepeerd weergegeven. Ze vouwen als volgt uit:

• Een ML-implementatie vouwt zich uit in één of mee geïmplementeerde modellen.

• Als een model in de implementatie in batchvoorspellingen is gebruikt, wordt het model uitgevouwen om de uitvoer van elke batchvoorspelling te tonen.

Herkomst op veldniveau is beschikbaar voor toegepaste gegevensverzamelingen en uitvoergegevensverzamelingen van een voorspelling die betrekking hebben op een ML-implementatie.

Geïmplementeerde modellen die gebruikt worden voor voorspellingen worden teruggekoppeld naar het experiment waarin ze getraind werden.

Herkomst en ML-gegevensverzamelingen

ML‑gegevensverzamelingen zijn gegevensverzamelingen die worden gebruikt in of gemaakt door ML-experimenten en ML-implementaties. Hiertoe behoren:

• Trainingsgegevensverzamelingen

• Gegevensverzamelingen die zijn geëxporteerd van ingesloten analyses in een ML-experiment (tabbladen Vergelijken en Analyseren)

• Toegepaste gegevensverzameling

• Uitvoergegevensverzamelingen van een voorspelling, inclusief voorspelling, SHAP, coordinate SHAP, fouten en toegepaste gegevensverzamelingen

Verwijderde inhoud

Als een ML-experiment, ML-implementatie of gegevensverzameling wordt verwijderd die in machine learning-processen is gebruikt, wordt deze nog steeds weergegeven in de herkomstgrafiek bij het analyseren van andere knooppunten.

Machtigingen

Zie Machtigingen voor meer informatie over machtigingen.

Voorbeeldscenario

Zie Voorbeeld: herkomst van inhoud van machine learning onderzoeken voor een voorbeeldscenario.

Beperkingen

De herkomstgrafiek heeft de volgende beperkingen:

• Voor apps die na de vrijgave van de herkomst in Qlik Cloud niet opnieuw zijn geladen, is volledige herkomstinformatie mogelijk pas beschikbaar nadat ze opnieuw zijn geladen. De details voor sommige knooppunten kunnen beperkt zijn als ze niet zijn geladen nadat herkomst werd ingeschakeld voor uw tenant.

• Knooppuntdetails voor gegevensverzamelingen buiten uw tenant, zoals SQL Server- of Google Drive-verbindingen, zijn beperkt tot het type en de naam van de gegevensverzameling. Voor REST-verbindingen wordt alleen aangegeven dat het REST-gegevens betreft.

Machtigingen

Machtigingen voor apps, scripts, gegevensstromen en gegevensverzamelingen

U moet een app,script, gegevensstroom of gegevensverzameling kunnen bekijken om de impactanalyse voor het item vanuit uw activiteitencentra te kunnen weergeven. Als u de herkomstgrafiek voor een basisknooppunt kunt bekijken, kunt u de basisdetails en metagegevens voor upstreamherkomstobjecten bekijken.

Machtigingen voor ML‑experimenten en ML‑implementaties

Machtigingen voor volledige toegang

Als u de volgende eigenschappen hebt, kunt u Herkomst direct openen vanuit het ML-experiment of de ML-implementatie, of vanuit uw activiteitencentrum:

• Professional- of Full User-recht

• De beveiligingsrol Automl Experiment Contributor of Automl Deployment Contributor

• Voor ML‑experimenten of ML‑implementaties in gedeelde ruimten, hebt u een van de volgende ruimterollen nodig in de gedeelde ruimte:

  • Eigenaar (van de ruimte)

  • Kan beheren

  • Kan bewerken

  • Kan bekijken

• Voor ML‑experimenten of ML‑implementaties in beheerde ruimten, hebt u een van de volgende ruimterollen nodig in de beheerde ruimte:

  • Eigenaar (van de ruimte)

  • Kan beheren

  • Kan bijdragen

  • Kan bekijken

  • Kan uitvoeren

Met dit toegangsniveau hebt u ook machtigingen om details van het ML-experiment of de ML-implementatie te bekijken.

Machtigingen voor het analyseren van herkomst

Als u het volgende hebt, kunt u het ML-experiment of de ML-implementatie in de herkomstgrafiek zien wanneer andere inhoud is ingesteld als basisknooppunt. U kunt ook het experiment of de implementatie als basisknooppunt voor analyse instellen.

• Professional- of Full User-recht

• Voor ML‑experimenten of ML‑implementaties in gedeelde ruimten, hebt u een van de volgende ruimterollen nodig in de gedeelde ruimte:

  • Eigenaar (van de ruimte)

  • Kan beheren

  • Kan bewerken

  • Kan bekijken

• Voor ML‑experimenten of ML‑implementaties in beheerde ruimten, hebt u een van de volgende ruimterollen nodig in de beheerde ruimte:

  • Eigenaar (van de ruimte)

  • Kan beheren

  • Kan bijdragen

  • Kan bekijken

  • Kan uitvoeren

Dit toegangsniveau is beperkter dan het volledige toegangsniveau. Als u ook de beveiligingsrol Automl Experiment Contributor of Automl Deployment Contributor hebt, hebt u volledige toegang en kunt u andere acties uitvoeren, zoals ze direct in de herkomstgrafiek openen en details bekijken.

Beveiliging

• Gebruikers kunnen alleen een basisknooppunt selecteren waartoe ze toegang hebben, anders is het contextmenu niet beschikbaar.

• Als gebruikers toegang hebben tot het basisknoopunt, kunnen ze ook alle upstreamherkomsten bekijken.

Voorbeeld gebruikscases voor het analyseren van herkomst

Voor een rondleiding door de herkomstanalyse, gaat u naar Gebruiksscenario's herkomst op veldniveau.

Voorbeeld: bekijken waarvan gegevens afkomstig zijn met de overzichtsweergave van herkomst

Als analysegebruiker die een staafdiagram in een app cars-data4-app bekijkt, wilt u weten waarvan deze gegevens afkomstig zijn. Controleer of Details tonen en Uitdrukkingen tonen is ingeschakeld voor het diagram in de sectie Uiterlijk > Algemeen van Eigenschappen en selecteer vervolgens Overschakelen naar werkbladanalysemodus. Klik met de rechtermuisknop op het diagram of gebruik het menu en selecteer Details tonen om de consumentenweergave van de herkomst te tonen. Klik op Afhankelijkheden tonen.

U ziet dat de dimensie Car_ID afhankelijk is van het veld Car_ID, dat in drie getoonde QVD-bronnen aanwezig is. Selecteer het menu in de veldinvoer en selecteer Herkomst - Car_ID / Cars om een herkomstgrafiek te openen voor het veld Car_ID in de app.

De herkomstgrafiek wordt van rechts naar links bekeken en laat zien dat veld Car_ID in de tabel Cars staat die in de app cars-data4-app is geladen. Vouw de knooppunten uit waarvan u de veldgeschiedenis terug wilt leiden tot aan het originele bestand dat is geüpload naar Qlik Cloud. U ziet dat de eerste weergave terug toont dat een QVD cars-data.csv met het veld Car_ID naar de app cars-data4-app is geladen. Het volgende knooppunt terug is een app cars-data3-app op basis waarvan de cars-data.csv is gegenereerd. Als u nog een weergave terug gaat en het knooppunt uitvouwt, ziet u dat het originele bronbestand het CSV-bestand cars-data3.csv was en het veld ID bevatte.

Door de tabellen en weergavevelden uit te vouwen, kunt het originele bronbestand, de tabel en het veld van de staafdiagramdimensie Car_id-ID identificeren.

Voorbeeld: de oorsprong van een gegevensverzameling onderzoeken en hoe de gegevensverzameling is gemaakt

Als app-ontwikkelaar overweegt u om een bestaande gegevensverzameling current_customers_analytics.xlsx voor uw applicatie te gebruiken. U onderzoekt de oorsprong van deze gegevensverzameling zodat u kunt begrijpen waarvan de gegevens afkomstig zijn. In de tegel of rij van de gegevensverzameling selecteert u Herkomst in het menu om de herkomstgrafiek te openen. In de herkomstgrafiek bekijkt u de metagegevens voor de gegevensverzameling door het menu in de XLSX current_customers_analytics.xlsx te selecteren en het overzicht te openen.

Klik op de pijl-terug om terug te gaan naar de herkomstgrafiek om de herkomstgrafiek voor de gegevensverzameling te verkennen. Vouw het knooppunt current_customers_analytics.xlsx uit en klik op Alles selecteren om de beschikbare velden weer te geven. Doe hetzelfde voor alle knooppunten. Elk veld biedt de optie om als basisknooppunt in focus te worden ingesteld, door Herkomst (nieuw basisknooppunt)  of Impactanalyse te selecteren om toekomstige herkomsten en afhankelijke objecten te bekijken die worden getroffen door wijzigingen van de gegevensverzameling.

Na het terugleiden van de herkomst en het uitvouwen van de knooppunten, kunt u zien dat deze XLSX-gegevensverzameling de uitvoer is van de app Prep Current Customers Sales - Analytics. Als u nog een stuk teruggaat en het knooppunt File storage uitvouwt, ziet u dat er een CSV-bestand is geladen naar de verkoopanalyse-app, namelijk: rgb_customers.csv. De analyse op veldniveau onthult dat het veld Tags in het originele bronbestand de naam rgb_customers.Tags heeft gekregen in de verkoopanalyse-app. Het originele CSV-bestand kan worden geopend om het overzicht en waardevolle gegevens te tonen, zoals eigenaar, maker, metrische gebruiksgegevens, labels, classificaties, veldprofiel en impactanalyse.

Voorbeeld: herkomst van inhoud van machine learning onderzoeken

Een gewone professionele gebruiker of expert op het gebied van machine learning zou de herkomstgrafiek kunnen gebruiken om de oorsprong van bepaalde voorspelde waarden te inspecteren. Met het basisknooppunt ingesteld op de voorspellingsgegevensverzameling, kan deze gebruiker het volgende zien:

• De trainingsgegevens, inclusief hun bronnen en transformaties

• Het experiment, de experimentversie en het model

• Waar het model is geïmplementeerd en hoe het is gebruikt

De bovenstaande afbeelding toont het volgende proces:

1. Een gegevensstroom laadt en transformeert gegevens uit een CSV-gegevensverzameling die is opgeslagen in een persoonlijke ruimte . De uitvoer wordt opgeslagen in een Parquet‑gegevensverzameling in dezelfde ruimte.

2. De Parquet-gegevensverzameling wordt gebruikt in versie 1 van een ML-experiment . Deze experimentversie traint een ML‑model .

3. Het ML-model wordt geïmplementeerd in een ML-implementatie .

4. Met behulp van een CSV‑gegevensverzameling in een persoonlijke ruimte als de toegepaste gegevensverzameling, genereert de ML-implementatie een voorspellingsgegevensverzameling in de Parquet-indeling .