Tworzenie predykcji w czasie rzeczywistym

Wdrożenie uczenia maszynowego możesz wykorzystać do przewidywania przyszłych wyników na podstawie nowych danych.

Predykcji można dokonywać w czasie rzeczywistym za pomocą interfejsu API predykcji, 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”.

Używanie API predykcji w czasie rzeczywistym

Panel Predykcje w czasie rzeczywistym w interfejsie wdrożenia uczenia maszynowego zapewnia dostęp do interfejsu API predykcji w czasie rzeczywistym.

API 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 API można programistycznie dokonywać predykcji, przekazując dane do modelu i odbierając wyniki predykcji w czasie rzeczywistym.

Wymagania

• Do korzystania z interfejsu API predykcji w czasie rzeczywistym jest wymagany klucz API. Aby wygenerować klucz API, użytkownik musi mieć rolę Developer w dzierżawie.

  Aby uzyskać więcej informacji na temat interfejsu API predykcji, zobacz Predykcje w czasie rzeczywistym AutoML.

• 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. Zob. Praca z predykcjami uczenia maszynowego.

Wyświetlanie szczegółów zdarzeń dryfu danych i predykcji

Po uruchomieniu predykcji w czasie rzeczywistym otwórz wdrożenie uczenia maszynowego i przejdź do panelu 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 Monitorowanie wydajności i wykorzystania wdrożonych modeli.