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.
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.
Wymagania
-
Do korzystania z punktu końcowego predykcji w czasie rzeczywistym jest wymagany klucz API. Aby wygenerować klucz API, użytkownik musi mieć rolę Developer w dzierżawie.
Aby uzyskać informacje na temat interfejsu API predykcji, zobacz temat Machine Learning API.
-
Model źródłowy dla używanego wdrożenia uczenia maszynowego musi być aktywowany w celu tworzenia predykcji. Więcej informacji zawiera temat:
-
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.