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: 08-09-2026

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

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

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:

Opening Qlik Predict in Qlik Answers

Doe het volgende:

  1. Klik Openen Answers om Qlik Answers te openen.

  2. In het vervolgkeuzemenu, selecteer Predict.

    Opening Predict

    De voorspellingsagent selecteren in de chat

End-to-end-werkstromen

Gebruik de volgende workflows wanneer u werkt met Predict.

Stap 1: Datasetverkenning en inzichten

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

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

  • Laat me de beschikbare datasets voor training zien

  • Welke datasets kan ik gebruiken voor training?

  • Datasets weergeven

-
Inzichten gegevensverzameling

  • kunt u mij datasetinzichten tonen voor <dataset name>

Als alternatief kunt u eerst de dataset openen in Qlik Cloud en vervolgens vragen stellen zoals:

  • kunt u mij datasetinzichten voor deze dataset laten zien?

  • Welke kenmerken in deze dataset hebben een hoge cardinaliteit

Doelaanbeveling

  • Welke kolom raadt u aan te gebruiken als doel

  • Wat is uw aanbeveling voor het doel

  • Welke kolom moet het getrainde model voorspellen

Handig als vervolgvragen na het selecteren van een dataset 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 eerder al een machine learning-workflow bent gestart, kunt u Predict vragen om bestaande experimenten te monitoren.

Voorbeeldvragen voor experimenttraining en monitoring
Actie Voorbeeldvragen Opmerkingen
Experimenttraining (met reeds geselecteerde dataset)

  • Ik wil voorspellen <kolomnaam>

  • Gebruik <column name> als doel

Handig als vervolgvragen na het selecteren van een trainingsdataset om te gebruiken.
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

  • Toon 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 gewone 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 <experiment name> open. Wat is het beste model

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

Voor de beste resultaten, moet u het experiment open hebben in uw browser of de naam van het experiment vermelden in de prompt.
Modelstatistieken en inzichten

  • Wat is het beste modelalgoritme in dit experiment

  • Ik heb het experiment <experiment name> open. Wat zijn de metrics voor het beste model

  • Verken modelinzichten en functiebelang voor dit experiment

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

Voor de beste resultaten, moet u het experiment open hebben in uw browser of de naam van het experiment vermelden in de prompt.

Bij het analyseren van modellen in de chat, kunt u ook klikken op Bron bekijken om aanvullende details uit te vouwen, waaronder grafieken voor de uitsplitsing van functie-belangrijkheid en inzichten in natuurlijke taal.

Met Broncode bekijken om modellen met ingesloten grafieken te analyseren

Het gebruik van 'Broncode bekijken' voor de analyse van modellen met ingesloten grafieken

Stap 4: Implementatie, activering en voorspellingen

Na 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 toe te passen datasets en toont deze zodat u kunt kiezen. U kunt ook natuurlijke taalprompts gebruiken om een specifieke toepassingsdataset te selecteren.

Gedeployeerde modellen worden automatisch geactiveerd naarmate 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 <experiment name> open. Bekijk implementatiedetails

  • Controleer de implementatiestatus voor dit experiment

Handig als vervolgvragen direct na modellenanalyse.

Voor de beste resultaten, moet u het experiment open hebben in uw browser of de naam van het experiment vermelden in de prompt.
Voorspellingen—start de aanvraag

  • Voer voorspellingen uit met deze implementatie

  • Voer voorspellingen uit met de implementatie <deployment name>

Voor de beste resultaten, moet u de implementatie open hebben in uw browser of de naam van de implementatie vermelden in de prompt.
Voorspellingen—een toepassingsdataset selecteren

  • Gebruik <apply dataset name> als de toepassingsdataset voor voorspellingen met deze implementatie

  • Ik heb de implementatie <deployment name> open. Voer voorspellingen uit met <apply dataset name> dataset

Voor de beste resultaten, moet u de implementatie open hebben in uw browser of de naam van de implementatie vermelden in de prompt.
Voorspellingen—monitorstatus

  • Controleer de status van batchvoorspelling voor deze implementatie

Voor de beste resultaten, moet u de implementatie open hebben in uw browser of de naam van de implementatie vermelden in de prompt.
Voorspellingen—uitvoer van voorspellingen verkennen

  • Ik heb de implementatie <deployment name> open. Verken de huidige voorspellingsresultaten

  • Toon mij mijn nieuwste voorspellingen voor deze implementatie

Voor de beste resultaten, moet u de implementatie open hebben in uw browser of de naam van de implementatie vermelden in de prompt.

Beste praktijken voor het stellen van vragen

Voor de beste resultaten bij het werken met Qlik Predict in Qlik Answers, volg deze algemene richtlijnen:

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

  • Start een nieuw gesprek wanneer u van onderwerp verandert, of als u niet de gewenste reactie krijgt.

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

  • Herformuleer uw vraag als u in eerste instantie niet de gewenste reactie krijgt.

Zie voor meer informatie Beste praktijken voor chatten met Qlik Answers.

Machtigingen

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

U hebt het volgende nodig:

Beperkingen

Gegevensverzamelingen

Gegevensverzamelingen bijwerken en verwijderen

U kunt geen gegevenssets uploaden of verwijderen vanuit de chat.

Datasets wijzigen

Het volgende is niet mogelijk in chat:

  • Trainingsdatasets wijzigen na het uitvoeren van een experimentversie.

  • Meerdere voorspellingen uitvoeren met verschillende toepassingsdatasets binnen dezelfde chat.

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

Zie voor meer informatie over het starten van nieuwe chats Chatten met Qlik Answers.

Grote gegevensverzamelingen

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

  • Maximale datasetgrootte (trainingsdatasets)

  • Maximaal aantal datasetcellen (trainingsdatasets)

  • Maximum aantal inbegrepen kolommen (trainings- en toepassingsdatasets)

Experimentele functies

  • Biasdetectie wordt niet ondersteund.

  • Het is niet mogelijk om rapporten over modeltraining te analyseren of te downloaden.

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

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

  • Het is niet mogelijk om tweede en volgende 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 van verschillende experimentversies vanuit de chat implementeren.

  • Het is niet mogelijk om toegang te krijgen tot ingebedde analyses (modelbewerkingen en driftbewaking) 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