Przedstawiamy zautomatyzowane uczenie maszynowe
Qlik AutoML umożliwia automatyzację uczenia maszynowego dla zespołów analitycznych. Prosty, niewymagający kodowania interfejs pozwala łatwo opracowywać eksperymenty uczenia maszynowego, generować modele i tworzyć predykcje.
Co to jest uczenie maszynowe
Uczenie maszynowe to dziedzina sztucznej inteligencji i nauki o danych koncentrująca się na rozpoznawaniu wzorców w danych historycznych w celu przewidywania wyników w przyszłości. Algorytmy są uczone na tych danych w celu zbudowania modelu predykcyjnego bez specjalnego programowania. Model uczenia maszynowego może pomóc w uzyskaniu odpowiedzi na takie pytania jak:
-
Czy klient siłowni zrezygnuje z abonamentu?
-
Jaka jest oczekiwana wartość całkowita danego klienta?
Więcej informacji o podstawowych pojęciach zawiera temat Na czym polega uczenie maszynowe. Dowiesz się z niego również o strukturze definiowania pytań dotyczących uczenia maszynowego i przygotowywania zestawów danych.
Do czego można wykorzystać zautomatyzowane uczenie maszynowe
Utwórz zautomatyzowane eksperymenty uczenia maszynowego w Qlik Sense. W centrum aktywności Analytics możesz współpracować nad eksperymentem z innymi użytkownikami i łatwo ładować dane z katalogu w celu uczenia modelu.
Zintegruj analizy predykcyjne z aplikacjami Qlik Sense, aby udostępniać swoje wyniki. Eksploruj głębiej przy użyciu wizualizacji i interaktywnych scenariuszy „co by było, gdyby”, aby się zorientować, jak zmiana różnych parametrów może wpłynąć na pożądany wynik.
Możesz tworzyć predykcje dotyczące zestawów danych przechowywanych w Katalogu lub predykcje operacyjne w czasie rzeczywistym za pomocą interfejsów API Qlik Sense.
Jak działają eksperymenty
Eksperyment uczy algorytmy uczenia maszynowego na określonym zestawie danych z określonym celem. Uczenie generuje modele uczenia maszynowego, które można wykorzystać do predykcji.
Większość procesów w zautomatyzowanym uczeniu maszynowym przebiega automatycznie. Gdy tworzysz eksperyment i ładujesz zestaw danych, zestaw danych jest automatycznie analizowany, a dane są wstępnie przetwarzane w celu przygotowania ich do uczenia maszynowego. Wyświetlane są statystyki i inne informacje o każdej kolumnie, aby pomóc Ci w wyborze celu. Po rozpoczęciu uczenia kilka algorytmów rozpoczyna wyszukiwanie wzorców w danych. Aby uzyskać więcej informacji na temat tworzenia i uczenia eksperymentów, zobacz temat Praca z eksperymentami.
Po zakończeniu szkolenia wyniki i klasyfikacje umożliwiają ocenę wygenerowanych modeli uczenia maszynowego. Zmieniając parametry i powtarzając uczenie, możesz wygenerować wiele wersji. Wybierz najlepiej działający model dla swojego zestawu danych i wdróż go, aby rozpocząć tworzenie predykcji. Więcej informacji zawiera temat Praca z wdrożeniami uczenia maszynowego.
Jak pokazano na poniższej ilustracji, eksperyment może mieć wiele wersji, z których każda używa jednego lub większej liczby algorytmów. Model z najwydajniejszym algorytmem można wdrożyć w celu tworzenia predykcji. Oznacza to, że efektem jednego eksperymentu może być kilka wdrożeń uczenia maszynowego.
Dostęp użytkownika do AutoML
Szczegółowe informacje na temat sposobu, w jaki użytkownicy mogą uzyskać dostęp do Qlik AutoML, zawiera temat Kto może pracować z Qlik AutoML.
Ograniczenia AutoML i możliwości uzależnione od licencji
AutoML to dodatkowa funkcja płatna. Odpowiednie subskrypcje obejmują pewną ograniczoną funkcjonalność. Konkretne możliwości i pojemność zależą od poziomu subskrypcji.
Ograniczenia
-
Qlik AutoML ma limit szybkości API wynoszący 300 żądań na minutę.
-
Maksymalna liczba kolumn w zestawie danych: 500
Dotyczy to zestawów danych używanych do uczenia eksperymentów i generowania predykcji. Limitem jest liczba kolumn używanych jako cechy w wersji eksperymentu. W zestawie danych może znajdować się więcej kolumn, a limity są obliczane, gdy kolumny są zawarte w zestawie danych.
Pojemności uzależnione od licencji
Twoja licencja klienta określa wielkość różnych wskaźników regulujących sposób korzystania z Qlik AutoML. Wskaźniki użytkowania są mierzone jako kombinacja wykorzystania przez Ciebie usług AutoML za pośrednictwem interfejsu użytkownika AutoML, analizy kluczowych czynników w aplikacji Qlik Sense oraz za pośrednictwem publicznych interfejsów API.
Dostępne są różne poziomy AutoML, w zależności od potrzeb biznesowych. Istnieją dwa typy poziomów:
-
Uwzględniony poziom: jest to podstawowa funkcjonalność AutoML z ograniczonymi możliwościami. Jest on dołączony do subskrypcji Qlik Sense Enterprise SaaS, Qlik Cloud Analytics Standard, Qlik Cloud Analytics Premium, Qlik Cloud Enterprise lub Qlik Talend Cloud (Standard, Premium lub Enterprise). Uwzględniony poziom jest odpowiedni do celów próbnych i oceny, jak Qlik AutoML może pomóc w zaspokojeniu potrzeb biznesowych. Nie nadaje się do zastosowań produkcyjnych. Aby uzyskać bardziej wszechstronne możliwości, rozważ płatny poziom Qlik AutoML.
-
Płatne poziomy: istnieją różne pakiety zapewniające wszechstronne pojemności AutoML potrzebne do zastosowań produkcyjnych. Są one dostępne jako płatne dodatki do subskrypcji Qlik Cloud.
Następujące funkcje są dostępne tylko na płatnych poziomach AutoML Qlik:
-
Optymalizacja hiperparametrów
-
Zaplanowane predykcje
-
Predykcje w czasie rzeczywistym
-
Łącznik Qlik AutoML
Więcej informacji na temat zawartości każdego poziomu AutoML można znaleźć w poniższej tabeli.
| Wskaźnik | Opis | Dostępne na uwzględnionym poziomie | Dostępne na płatnych poziomach |
|---|---|---|---|
| Wdrożone modele | Poziom zawarty w subskrypcji Qlik Cloud określa maksymalną liczbę wdrożonych modeli, które można utworzyć dla wszystkich dzierżaw utworzonych w ramach licencji. Ten limit wykorzystania jest definiowany dla każdego modelu, co oznacza, że wiele wdrożeń uczenia maszynowego utworzonych na podstawie jednego modelu liczy się jako jeden wdrożony model. | Tak | Tak |
| Uczenie równoległe | Jest to liczba modeli, które dzierżawa może uczyć równolegle. Na uwzględnionym poziomie Qlik AutoML każdy model będzie uruchamiany jeden po drugim. Poziomy płatne obejmują pojemność umożliwiającą dzierżawie jednoczesne uczenie większej liczby modeli. | Nie | Tak |
| Zwiększony rozmiar zestawu danych | Poziomy płatne umożliwiają stosowanie zwiększonych zestawów danych do uczenia modeli. | Nie | Tak |
| Ręczne predykcje zbiorcze | Ręczne predykcje wszystkich wierszy w zestawie danych. | Tak | Tak |
| Zaplanowane predykcje zbiorcze | Predykcje można skonfigurować tak, aby były uruchamiane zgodnie z harmonogramem, zamiast inicjować je ręcznie. Zaplanowane predykcje są dostępne tylko w przypadku płatnych poziomów Qlik AutoML. Więcej informacji zawiera temat Planowanie predykcji. | Nie | Tak |
| Predykcje w czasie rzeczywistym | Wykorzystaj ten interfejs API, aby używać wdrożeń uczenia maszynowego do uruchamiania predykcji w czasie rzeczywistym. Więcej informacji zawiera temat Tworzenie predykcji w czasie rzeczywistym. | Nie | Tak |
| Łącznik Qlik AutoML w Analityka Qlik Cloud | Dzięki temu łącznikowi analitycznemu można ładować dane ze zintegrowanej platformy Qlik AutoML do Qlik Cloud. Więcej informacji zawiera temat Źródło do analityki Qlik AutoML. | Nie | Tak |
| Optymalizacja hiperparametrów | Optymalizacja hiperparametrów umożliwia dostrajanie modeli AutoML w celu zwiększenia kontroli nad procesem uczenia się. Więcej informacji zawiera temat Optymalizacja hiperparametrów. | Nie | Tak |
| Monitorowanie wdrożonego modelu | Korzystaj z wbudowanych narzędzi do monitorowania, aby oceniać modele wdrożone w ramach wdrożeń ML. Można monitorować dryf cech w czasie, a także szczegóły dotyczące wykorzystania modelu do predykcji. Więcej informacji zawiera temat Monitorowanie wydajności i wykorzystania wdrożonych modeli. | Nie | Tak |
Aby uzyskać szczegółowe informacje na temat wskaźników licencji, zobacz opis produktu Subskrypcje Qlik Cloud®. Administratorzy mogą wyświetlać informacje o licencji i monitorować liczbę wdrożonych modeli w centrum aktywności Administrowanie. Więcej informacji zawiera temat Monitorowanie wykorzystania zasobów.