Werken met machine learning in Qlik Answers
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 gegevenssets verkennen, experimenten configureren en trainen, en voorspellingen uitvoeren vanuit dezelfde chatervaring.
Werken met Predict in Qlik Answers
Voordat u begint
Vereisten:
-
Uw tenant heeft cross-region inference ingeschakeld—dat wil zeggen, de tenant moet ingeschakeld zijn voor de agentic Qlik Answers ervaring.
-
Uw tenant en abonnement hebben capaciteit voor Qlik Answers.
-
U hebt toegang tot de vereiste datasets en Qlik Predict bedrijfsmiddelen.
Opening Qlik Predict in Qlik Answers
Doe het volgende:
-
Klik Openen Answers om Qlik Answers te openen.
-
Selecteer in het vervolgkeuzemenu Predict.
Opening Predict
Complete workflows
Gebruik de volgende workflows bij het werken met Predict.
Stap 1: Datasetverkenning en inzichten
Gebruik datasetinzichten om de gegevenskwaliteit en kandidaatvelden te begrijpen vóór de training. Vraag om inzichten en gerichte aanbevelingen.
U hoeft ook niet de exacte naam te weten van de gegevensverzameling die u wilt gebruiken—u kunt een lijst met beschikbare gegevensverzamelingen opvragen.
| Actie | Voorbeeldvragen | Opmerkingen |
|---|---|---|
| Gegevensverzameling selectie |
|
- |
| Inzichten gegevensverzameling |
|
Als alternatief kunt u eerst de dataset openen in Qlik Cloud, en vervolgens vragen stellen zoals:
|
| Doelaanbeveling |
|
Handig als vervolgvragen na het selecteren van een dataset en het verkennen van inzichten. |
Stap 2: Experimenttraining en monitoring
Beschrijf uw doelstelling en laat de agent een experiment configureren en uitvoeren. Regressie- en classificatie-experimenttypen worden ondersteund. Nadat u een gegevensverzameling 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 bewaken.
| Actie | Voorbeeldvragen | Opmerkingen |
|---|---|---|
| Experimenttraining (met reeds geselecteerde gegevensverzameling) |
|
Handig als vervolgvragen na het selecteren van een te gebruiken trainings-gegevensverzameling. |
| Experimenttraining (geen dataset geselecteerd) |
|
Deze vragen kunnen u helpen direct aan de slag te gaan zonder handmatig naar gegevensverzamelingen op naam te zoeken. |
| Experimentbewaking |
|
- |
Stap 3: Modelinterpretatie en aanbevelingen
Nadat de training is voltooid, kunt u vragen om een duidelijke interpretatie van het modelgedrag en aanbevelingen op basis van de modeluitvoer.
| Actie | Voorbeeldvragen | Opmerkingen |
|---|---|---|
| Modelaanbevelingen |
|
Voor de beste resultaten moet u het experiment open hebben in uw browser of de experimentnaam vermelden in de prompt. |
| Modelstatistieken en inzichten |
|
Voor de beste resultaten moet u het experiment open hebben in uw browser of de experimentnaam vermelden in de prompt. |
Bij het analyseren van modellen in de chat, kunt u ook klikken op 
Bron weergeven om aanvullende details uit te vouwen, waaronder grafieken van de uitsplitsing van functiebelang en inzichten in natuurlijke taal.
Gebruik van Bron weergeven om modellen met ingesloten grafieken te analyseren
Stap 4: Implementatie, activering en voorspellingen
Na training kunt u een model implementeren, waarbij een ML-implementatie wordt gemaakt. Nadat u hebt gevraagd om een model te implementeren, wordt u gevraagd om de implementatie te bevestigen.
U kunt ook batchvoorspellingen uitvoeren met behulp van de modellen die u hebt geïmplementeerd. Het systeem zoekt naar compatibele toe te passen gegevensverzamelingen en vermeldt deze waaruit u kunt kiezen. U kunt ook prompts in natuurlijke taal gebruiken om een specifieke toe te passen gegevensverzameling te selecteren.
Geïmplementeerde modellen worden automatisch geactiveerd wanneer voorspellingen worden gemaakt, afhankelijk van de beschikbare capaciteit voor het abonnement.
| Actie | Voorbeeldvragen | Opmerkingen |
|---|---|---|
| Modelimplementatie en monitoring |
|
Handig als vervolgvragen direct na modelanalyse. Voor de beste resultaten moet u het experiment open hebben in uw browser of de experimentnaam vermelden in de prompt. |
| Voorspellingen—start de aanvraag |
|
Voor de beste resultaten moet u ofwel de implementatie open hebben in uw browser of de implementatienaam in de prompt vermelden. |
| Voorspellingen—een toepassingsdataset selecteren |
|
Voor de beste resultaten moet u ofwel de implementatie open hebben in uw browser of de implementatienaam in de prompt vermelden. |
| Voorspellingen—status bewaken |
|
Voor de beste resultaten moet u ofwel de implementatie open hebben in uw browser of de implementatienaam in de prompt vermelden. |
| Voorspellingen—voorspellingsuitvoer verkennen |
|
Voor de beste resultaten moet u ofwel de implementatie open hebben in uw browser of de implementatienaam in de prompt vermelden. |
Aanbevolen procedures 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.
-
Begin 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 gegevenssets en andere bedrijfsmiddelen kan Qlik Answers beter helpen ze te vinden bij het starten van training of het uitvoeren van voorspellingen.
-
Stel uw vraag op een andere manier als het in eerste instantie niet het gewenste antwoord oplevert.
Ga voor meer informatie naar Beste praktijken voor chatten met Qlik Answers.
RECHTEN
U hebt zowel Qlik Answers als Qlik Predict machtigingen nodig om end-to-end machine learning-workflows te voltooien.
U hebt het volgende nodig:
-
Professioneel gebruikersrecht (alleen van toepassing op gebruikersgebaseerde abonnementen)
-
De vereiste Agentische AI > Gegevensanalyse machtiging ingesteld op Toegestaan. Deze machtiging wordt toegewezen door een tenantbeheerder.
-
De vereiste Qlik Predict machtigingen voor het werken met ML-experimenten en -implementaties, die aan u zijn toegewezen door een tenantbeheerder. Zie:
-
Toegang tot de ruimtes waar de datasets, experimenten en implementaties zich bevinden. Zie:
Beperkingen
Gegevensverzamelingen
Gegevensverzamelingen bijwerken en verwijderen
U kunt geen gegevensverzamelingen uploaden of verwijderen vanuit de chat.
Gegevensverzamelingen wijzigen
Het volgende is niet mogelijk in de chat:
-
Trainingsgegevenssets 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 een andere gegevensverzameling, start dan eerst een nieuwe chat. Als u experimenten traint, dan is het ook nodig om een nieuw experiment aan te maken in de nieuwe chat.
Zie Chatten met Qlik Answers voor meer informatie over het starten van nieuwe chats.
Grote gegevensverzamelingen
Chat ondersteunt geen gegevensverzamelingen die een van de volgende limieten overschrijden voor de Qlik Cloud tenant:
-
Maximale datasetgrootte (trainingsdatasets)
-
Maximaal aantal datasetcellen (trainingsdatasets)
-
Maximaal aantal opgenomen kolommen (trainings- en toepassingsdatasets)
Experimentkenmerken
-
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 (tabbladen Vergelijken en Analyseren) voor het experiment.
-
Alle kenmerken 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.
Modeltypes
Niet beschikbaar voor tijdreeksmodellen.
Prognosetypen
Niet beschikbaar voor realtime of op connector gebaseerde voorspellingen.
ML-modelbeheer
-
U kunt geen bestaand geïmplementeerd model vervangen vanuit de chat.
-
U kunt niet meerdere modellen van verschillende experimentversies implementeren vanuit de chat.
-
Het is niet mogelijk om toegang te krijgen tot ingesloten analyses (modelbewerkingen en driftmonitoring) voor de implementatie.