# 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 [API uczenia maszynowego](https://qlik.dev/apis/rest/ml/). Predykcji można dokonywać w czasie rzeczywistym, na przykład na potrzeby decyzji podejmowanych w czasie rzeczywistym na temat rabatów dla klientów przy kasie. Po wygenerowaniu prognoz możesz załadować prognozowane analizy do Qlik Sense aplikacji. Pozwala to wizualizować dane i wchodzić z nimi w interakcje oraz tworzyć scenariusze „co by było, gdyby”. Informacja API predykcji w czasie rzeczywistym jest przestarzałe i zostało zastąpione przez punkt końcowy predykcji w czasie rzeczywistym w [API uczenia maszynowego](https://qlik.dev/apis/rest/ml/). Sama funkcjonalność nie została wycofana. Do predykcji w czasie rzeczywistym należy używać w przyszłości punktu końcowego predykcji w czasie rzeczywistym w API uczenia maszynowego. Aby uzyskać pomoc w migracji z API prognoz w czasie rzeczywistym do API uczenia maszynowego, zapoznaj się z [przewodnikiem po migracji na portalu dla deweloperów Qlik Cloud](https://qlik.dev/apis/rest/automl-deployments/#migrate-from-the-automl-real-time-predictions-api-to-the-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. Ten panel jest widoczny, jeśli domyślny model we wdrożeniu jest aktywowany i masz wymagane uprawnienia do predykcji w czasie rzeczywistym. Punkt końcowy predykcji w czasie rzeczywistym to dwukierunkowa komunikacja między Qlik Predict 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. Panel Predykcje w czasie rzeczywistym Panel Predykcje w czasie rzeczywistym Panel Predykcje w czasie rzeczywistym ![Panel Predykcje w czasie rzeczywistym](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_ml_realtime-predictions.png) Wykonaj następujące czynności: 1. Otwórz panel Predykcje w czasie rzeczywistym we wdrożeniu uczenia maszynowego. 2. 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](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-real-time-predictions.htm#AliasPredictions)). 3. 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](https://qlik.dev/apis/rest/ml/#post-v1-ml-deployments-deploymentId-realtime-predictions-actions-run). Aby uzyskać bardziej ogólne informacje na temat interfejsu API uczenia maszynowego, zobacz temat [Machine Learning API](https://qlik.dev/apis/rest/ml/). ## Wymagania dotyczące predykcji w czasie rzeczywistym * Do korzystania z punktu końcowego predykcji w czasie rzeczywistym jest wymagany klucz API. Użytkownicy muszą mieć uprawnienie Zarządzanie kluczami API w dzierżawie, aby wygenerować klucz API. Zob. [Generowanie kluczy API oraz zarządzanie nimi.](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-generate-api-keys.htm#Generating). * Model źródłowy dla używanego wdrożenia uczenia maszynowego musi być aktywowany w celu tworzenia predykcji. Więcej informacji zawiera temat: * [Zatwierdzanie wdrożonych modeli](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/approve-models.htm) * [Praca z zatwierdzaniem modeli jako administrator](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-approve-models-admin.htm) * Do pracy z wdrożeniami uczenia maszynowego oraz predykcjami są potrzebne odpowiednie uprawnienia.Więcej informacji można znaleźć w temacie [Wymagania i uprawnienia](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/working-with-predictions.htm#Requirements). ## 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](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/ml-deployment-available-models.htm). 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 Qlik Predict 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 operacji wdrożonego modelu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-model-operations.htm) * [Monitorowanie dryfu danych we wdrożonych modelach](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm)