Werken met machine learning in Qlik Answers | Qlik Cloud Help
Ga naar hoofdinhoud Ga naar aanvullende inhoud
Qlik-bronnen
Zoekvak van SearchUnify laden Neem contact op met Qlik Support als u hulp nodig hebt voor uw product.
Qlik Klantportaal
Zoekvak van SearchUnify laden Neem contact op met Qlik Support als u hulp nodig hebt voor uw product.
Qlik Klantportaal

Werken met machine learning in Qlik Answers

Laatst bijgewerkt: 2026-11-10

U kunt werken met Qlik Predict geautomatiseerde machine learning met behulp van de door AI aangedreven technologie van Qlik Answers.

In de agentische Qlik Answers ervaring kunt u machine learning-workflows maken en uitvoeren in natuurlijke taal. U kunt gegevenssets verkennen, experimenten configureren en trainen, en voorspellingen uitvoeren vanuit dezelfde chatervaring.

Deze Qlik Answers-ervaring staat los van toegang tot de mogelijkheden van Qlik Predict via de Qlik MCP-server in een externe LLM-client. Voor meer informatie, zie Qlik MCP-server.

Werken met Predict in Qlik Answers

ML-experiment trainen in agentische ervaring
Govnote-not-inNiet ondersteund in Qlik Cloud Government.
Govnote-not-inNiet ondersteund in Qlik Cloud Government - DoD.

Voordat u begint

Vereisten:

Qlik Predict openen in Qlik Answers

Doe het volgende:

  1. Klik op Openen Answers om Qlik Answers te openen.

  2. Selecteer in het vervolgkeuzemenu Predict.

    Predict openen

    De predict-agent selecteren in de chat

End-to-end-workflows

Gebruik de volgende workflows wanneer u met Predict werkt.

Stap 1: Datasetverkenning en inzichten

Gebruik datasetinzichten om de datakwaliteit en kandidaatvelden te begrijpen vóór de training. Vraag om inzichten en aanbevelingen voor doelen.

U hoeft ook niet de exacte naam te weten van de dataset die u wilt gebruiken—u kunt vragen om een lijst met beschikbare datasets.

Voorbeeldvragen voor datasetverkenning en inzichten
Actie Voorbeeldvragen Opmerkingen
Datasetselectie

  • Toon me de beschikbare datasets voor training

  • Welke datasets kan ik gebruiken voor training?

  • Datasets weergeven

-
Inzichten gegevensverzameling

  • kun je me datasetinzichten laten zien voor <datasetnaam>

U kunt de dataset ook eerst openen in Qlik Cloud en vervolgens vragen stellen zoals:

  • kun je me datasetinzichten tonen voor deze dataset?

  • Welke kenmerken in deze dataset hebben een hoge cardinaliteit

Doelaanbeveling

  • Welke kolom raadt u aan om als doel te gebruiken

  • Wat is uw aanbeveling voor het doel

  • Welke kolom moet het getrainde model voorspellen

Nuttig als vervolgvragen na het selecteren van een gegevensset en het verkennen van inzichten.

Stap 2: Experimenttraining en -monitoring

Beschrijf uw doel en laat de agent een experiment configureren en uitvoeren. Regressie- en classificatie-experimenttypen worden ondersteund. Nadat u een dataset en doel hebt geselecteerd, wordt u gevraagd om de training te starten.

Als u al eerder een machine learning-workflow hebt gestart, kunt u Predict vragen om bestaande experimenten te monitoren.

Voorbeeldvragen voor training en monitoring van experimenten
Actie Voorbeeldvragen Opmerkingen
Experimenttraining (met reeds geselecteerde dataset)

  • Ik wil <kolomnaam> voorspellen

  • Gebruik <kolomnaam> als het doel

Nuttig als vervolgvragen na het selecteren van een te gebruiken trainingsdataset.
Experimenttraining (geen dataset geselecteerd)

  • Train modellen om <kolomnaam> te voorspellen; gebruik <datasetnaam of een trefwoord>

  • Maak een experiment met <datasetnaam of een trefwoord>-gegevens

Deze vragen kunnen u helpen direct aan de slag te gaan zonder handmatig naar datasets op naam te zoeken.
Experimentbewaking

  • Geef een lijst van mijn meest recente experimenten en hun status

  • Wat is de status van mijn experiment
-

Stap 3: Modelinterpretatie en aanbevelingen

Nadat de training is voltooid, kunt u vragen om een interpretatie in begrijpelijke taal van het modelgedrag en aanbevelingen op basis van de modeluitvoer.

Voorbeeldvragen voor modelanalyse
Actie Voorbeeldvragen Opmerkingen
Aanbevelingen voor modellen

  • Wat is het beste model in dit experiment

  • Ik heb het experiment <experimentnaam> geopend. Wat is het beste model

  • Ik heb het experiment <experimentnaam> geopend. Vat de beste modelprestaties samen voor een zakelijk publiek

Voor de beste resultaten moet u het experiment geopend hebben in uw browser of verwijzen naar de naam van het experiment in de prompt.
Modelstatistieken en inzichten

  • Wat is het beste modelalgoritme in dit experiment

  • Ik heb het experiment <experimentnaam> geopend. Wat zijn de metrische gegevens voor het beste model

  • Verken modelinzichten en functiebelang voor dit experiment

  • Ik heb het experiment <experimentnaam> geopend. Welke kenmerken hebben de grootste impact op dit model?

Voor de beste resultaten moet u het experiment geopend hebben in uw browser of verwijzen naar de naam van het experiment in de prompt.

Wanneer u modellen analyseert in de chat, kunt u ook op Bron weergeven klikken om aanvullende details uit te vouwen, waaronder grafieken met de uitsplitsing van functiebelang en inzichten in natuurlijke taal.

Bron weergeven gebruiken om modellen met ingesloten grafieken te analyseren

Bron weergeven gebruiken om modellen met ingesloten grafieken te analyseren

Stap 4: Implementatie, activering en voorspellingen

Na de training kunt u een model implementeren, waarmee een ML-implementatie wordt gemaakt. Nadat u hebt gevraagd om een model te implementeren, wordt u gevraagd de implementatie te bevestigen.

U kunt ook batchvoorspellingen uitvoeren met de modellen die u hebt geïmplementeerd. Het systeem zoekt naar compatibele toepassingsdatasets en toont deze in een lijst waaruit u kunt kiezen. U kunt ook prompts in natuurlijke taal gebruiken om een specifieke apply-dataset te selecteren.

Geïmplementeerde modellen worden automatisch geactiveerd wanneer er voorspellingen worden gemaakt, afhankelijk van de beschikbare capaciteit voor het abonnement.

Voorbeeldvragen voor implementatie en voorspellingen
Actie Voorbeeldvragen Opmerkingen
Modelimplementatie en monitoring

  • Implementeer het beste model voor dit experiment

  • Ik heb het experiment <experimentnaam> geopend. Implementatiedetails bekijken

  • Controleer de implementatiestatus voor dit experiment

Nuttig als vervolgvragen direct na modelanalyse.

Voor de beste resultaten moet u het experiment geopend hebben in uw browser of verwijzen naar de naam van het experiment in de prompt.
Voorspellingen—start het verzoek

  • Voorspellingen uitvoeren met deze implementatie

  • Voer voorspellingen uit met de implementatie <implementatienaam>

Voor de beste resultaten moet u ofwel de implementatie geopend hebben in uw browser, ofwel naar de naam van de implementatie verwijzen in de prompt.
Voorspellingen—een toepassingsgegevensset selecteren

  • Gebruik <naam van toepassingsgegevensset> als de toepassingsgegevensset voor voorspellingen met deze implementatie

  • Ik heb de implementatie <implementatienaam> geopend. Voorspellingen uitvoeren met dataset <naam toepassingsdataset>

Voor de beste resultaten moet u ofwel de implementatie geopend hebben in uw browser, ofwel naar de naam van de implementatie verwijzen in de prompt.
Voorspellingen—monitorstatus

  • Controleer de status van de batchvoorspelling voor deze implementatie

Voor de beste resultaten moet u ofwel de implementatie geopend hebben in uw browser, ofwel naar de naam van de implementatie verwijzen in de prompt.
Voorspellingen—voorspellingsuitvoer verkennen

  • Ik heb de implementatie <implementatienaam> geopend. Huidige voorspellingsresultaten verkennen

  • Toon me mijn meest recente voorspellingen voor deze implementatie

Voor de beste resultaten moet u ofwel de implementatie geopend hebben in uw browser, ofwel naar de naam van de implementatie verwijzen in de prompt.

Best practices voor het stellen van vragen

Voor de beste resultaten bij het werken met Qlik Predict in Qlik Answers dient u deze algemene richtlijnen te volgen:

  • Als u niet zeker weet hoe u moet beginnen, vraag Predict dan wat het kan doen. Qlik Answers kan een lijst met ondersteunde mogelijkheden leveren.

  • Start een nieuw gesprek wanneer u van onderwerp verandert of als u niet het antwoord krijgt dat u nodig hebt.

  • Als u niet de gewenste reactie krijgt, probeer dan meer details te geven en wees specifiek over wat u wilt doen. Het verwijzen naar de exacte namen van datasets en andere bedrijfsmiddelen kan Qlik Answers bijvoorbeeld beter helpen om deze te vinden bij het starten van de training of het uitvoeren van voorspellingen.

  • Herformuleer uw vraag als deze in eerste instantie niet het antwoord oplevert dat u nodig hebt.

Voor meer informatie, zie Beste praktijken voor chatten met Qlik Answers.

Machtigingen

U hebt zowel de machtigingen Qlik Answers als Qlik Predict nodig om end-to-end machine learning-workflows te voltooien.

U hebt het volgende nodig:

Beperkingen

Gegevensverzamelingen

Gegevensverzamelingen bijwerken en verwijderen

U kunt geen datasets uploaden of verwijderen vanuit de chat.

Datasets wijzigen

Het volgende is niet mogelijk in de chat:

  • Trainingsdatasets wijzigen na het uitvoeren van een experimentversie.

  • Meerdere voorspellingen uitvoeren met verschillende apply-datasets binnen dezelfde chat.

Als tijdelijke oplossing start u eerst een nieuwe chat wanneer u experimenten moet trainen of voorspellingen moet uitvoeren met behulp van een andere dataset. Als u experimenten traint, vereist dit ook het aanmaken van een nieuw experiment in de nieuwe chat.

Voor meer informatie over het starten van nieuwe chats, zie Chatten met Qlik Answers.

Grote gegevensverzamelingen

Chat ondersteunt geen datasets die een van de volgende limieten voor de Qlik Cloud tenant overschrijden:

  • Maximale datasetgrootte (trainingsdatasets)

  • Maximaal aantal datasetcellen (trainingsdatasets)

  • Maximaal aantal opgenomen kolommen (trainings- en toepassingsdatasets)

Experimentfuncties

  • Biasdetectie wordt niet ondersteund.

  • Het is niet mogelijk om modeltrainingsrapporten te analyseren of downloaden.

  • Het is niet mogelijk om toegang te krijgen tot ingesloten analyses (de tabbladen Vergelijken en Analyseren) voor het experiment.

  • Alle kenmerken en algoritmen worden geselecteerd voor de training bij het configureren van het experiment. U kunt functies of algoritmen niet deselecteren. Daarnaast wordt intelligente modeloptimalisatie altijd gebruikt om modellen te trainen—handmatige optimalisatie wordt niet ondersteund.

  • Het is niet mogelijk om tweede en daaropvolgende versies van een experiment te trainen.

Modeltypen

Niet beschikbaar voor tijdreeksmodellen.

Voorspellingstypen

Niet beschikbaar voor realtime of connector-gebaseerde voorspellingen.

ML-modelbeheer

  • U kunt een bestaand geïmplementeerd model niet vervangen vanuit de chat.

  • U kunt niet meerdere modellen uit verschillende experimentversies implementeren vanuit de chat.

  • Het is niet mogelijk om toegang te krijgen tot ingesloten analyses (modelbewerkingen en driftmonitoring) voor de implementatie.

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een tikfout, een ontbrekende stap of een technische fout – laat het ons weten!

Geef hier uw feedback