Tworzenie predykcji w czasie rzeczywistym

Wdrożenie uczenia maszynowego możesz wykorzystać do przewidywania przyszłych wyników na podstawie nowych danych. Do predykcji w czasie rzeczywistym używa się punktu końcowego predykcji w czasie rzeczywistym w Machine Learning API.

Predykcji można dokonywać w czasie rzeczywistym, na przykład na potrzeby decyzji podejmowanych w czasie rzeczywistym na temat rabatów dla klientów przy kasie. Podczas generowania predykcji można załadować wnioski predykcyjne do aplikacji Qlik Sense. Umożliwia to wizualizację danych i interakcję z nimi oraz tworzenie scenariuszy „co by było, gdyby”.

API predykcji w czasie rzeczywistym jest przestarzałe i zostało zastąpione przez punkt końcowy predykcji w czasie rzeczywistym w Machine Learning API. Sama funkcjonalność nie została wycofana. Do predykcji w czasie rzeczywistym należy używać w przyszłości punktu końcowego predykcji w czasie rzeczywistym w Machine Learning API.

Tworzenie predykcji w czasie rzeczywistym przy użyciu API

Panel Predykcje w czasie rzeczywistym w interfejsie wdrożenia uczenia maszynowego zapewnia dostęp do punktu końcowego predykcji w czasie rzeczywistym w interfejsie Machine Learning API. Jeśli domyślny model we wdrożeniu uczenia maszynowego jest aktywowany do tworzenia predykcji, ten panel jest widoczny.

Punkt końcowy predykcji w czasie rzeczywistym to dwukierunkowa komunikacja między AutoML a innymi funkcjami w Qlik Cloud, takimi jak Qlik Sense i Automatyzacje, a także aplikacjami zewnętrznymi. Za pomocą punktu końcowego można programistycznie dokonywać predykcji, przekazując dane do modelu i odbierając wyniki predykcji w czasie rzeczywistym.

Wykonaj następujące czynności:

Otwórz panel Predykcje w czasie rzeczywistym we wdrożeniu uczenia maszynowego.
Użyj przycisków kopiowania, aby skopiować odpowiedni adres URL lub JSON do schowka (aby uzyskać informacje na temat wyboru aliasu, zobacz temat Praca z aliasami modeli w predykcjach w czasie rzeczywistym).
Włącz wywołania API uczenia maszynowego do własnych aplikacji lub ręcznie wywołaj API za pomocą wybranego narzędzia.

Aby uzyskać specyfikacje punktu końcowego w czasie rzeczywistym dla API uczenia maszynowego, zobacz Generowanie predykcji w synchronicznym żądaniu/odpowiedzi.

Aby uzyskać bardziej ogólne informacje na temat interfejsu API uczenia maszynowego, zobacz temat Machine Learning API.

Wymagania dotyczące predykcji w czasie rzeczywistym

Do korzystania z punktu końcowego predykcji w czasie rzeczywistym jest wymagany klucz API. Aby wygenerować klucz API, użytkownik musi mieć rolę Developer w dzierżawie. Zob. Generowanie kluczy API oraz zarządzanie nimi..
Model źródłowy dla używanego wdrożenia uczenia maszynowego musi być aktywowany w celu tworzenia predykcji. Więcej informacji zawiera temat:
- Zatwierdzanie wdrożonych modeli
- Praca z zatwierdzaniem modeli jako administrator
Do pracy z wdrożeniami uczenia maszynowego oraz predykcjami są potrzebne odpowiednie uprawnienia. Dotyczy to ról związanych z zabezpieczeniami oraz ról w przestrzeni. Zobacz temat Praca z predykcjami uczenia maszynowego.

Praca z aliasami modeli w predykcjach w czasie rzeczywistym

Do wdrożenia uczenia maszynowego można dodać wiele modeli. System aliasów jest używany we wdrożeniach uczenia maszynowego, aby umożliwić dynamiczną zamianę modeli do wykorzystania w predykcjach. Więcej informacji zawiera temat Używanie wielu modeli we wdrożeniu uczenia maszynowego.

Podczas kopiowania adresu URL lub JSON są dostępne następujące opcje:

Domyślna predykcja: użyj tej opcji, aby wygenerować predykcje na podstawie domyślnego aliasu we wdrożeniu uczenia maszynowego.
Alias predykcji: użyj tej opcji, jeśli chcesz wygenerować przewidywania na podstawie dodatkowych aliasów dodanych do wdrożenia ML. Wybierz alias za pomocą rozwijanego menu, a następnie skopiuj adres URL lub JSON.

Wyświetlanie szczegółów zdarzeń dryfu danych i predykcji

Po uruchomieniu predykcji w czasie rzeczywistym otwórz wdrożenie uczenia maszynowego i przejdź do paneli Monitorowanie operacji oraz Monitorowanie dryfu danych. W tym widoku można ocenić:

Poziom dryfu danych dla każdej cechy używanej w predykcji. Porównanie jest dokonywane między danymi wysłanymi do API predykcji AutoML w czasie rzeczywistym a zestawem danych do uczenia.
Szczegółowe informacje o zdarzeniu predykcji, takie jak powodzenie lub niepowodzenie oraz liczba wygenerowanych predykcji.

Więcej informacji zawiera temat:

Czy ta strona była pomocna?

Jeżeli natkniesz się na problemy z tą stroną lub jej zawartością — literówkę, brakujący krok lub błąd techniczny — daj nam znać, co możemy poprawić!

Przekaż tu opinię