Praca z wdrożeniami uczenia maszynowego

Po nauczeniu i dopracowaniu modelu można go wdrożyć w celu tworzenia predykcji.

Wdrożenia uczenia maszynowego można tworzyć w przestrzeniach osobistych, udostępnionych i zarządzanych.

Przepływ pracy

Poniższe kroki stanowią przykład pracy z wdrożeniami i predykcjami uczenia maszynowego.

1. Wdrażanie modelu

   Wdróż model, którego chcesz użyć do tworzenia predykcji.

   Wdrażanie modeli

2. Zatwierdzanie modelu

   Zanim będzie można używać wdrożenia uczenia maszynowego do predykcji, należy w tym celu aktywować model źródłowy. Model mogą zatwierdzać użytkownicy i administratorzy mający określone uprawnienia.

   Zatwierdzanie wdrożonych modeli

3. Dokonywanie predykcji

   Dokonuj ręcznych lub zaplanowanych predykcji na zestawach danych lub korzystaj z punktu końcowego predykcji w czasie rzeczywistym interfejsu Machine Learning API.

   Tworzenie predykcji z zestawu danych

   Machine Learning API

4. Wizualizacja wniosków predykcyjnych

   Załaduj wygenerowane dane predykcyjne do aplikacji i utwórz wizualizacje.

   Wizualizacja wartości SHAP w aplikacjach Qlik Sense

5. Eksploruj dane za pomocą scenariuszy typu „co by było, gdyby”.

   Zintegruj interfejs API predykcji z aplikacją, aby otrzymywać predykcje w czasie rzeczywistym. Pozwala to wypróbowywać scenariusze „co by było, gdyby” przez zmianę wartości cech i uzyskiwanie przewidywanych wyników dla nowych wartości. Rekord jest przekazywany do wdrożenia uczenia maszynowego przez API, a odpowiedź odbiera się w czasie rzeczywistym. Na przykład, co stałoby się z ryzykiem odpływu klientów, gdybyśmy zmienili typ planu lub zwiększyli opłatę podstawową?

6. Podejmowanie działania

   Analizuj predykcyjne wnioski i scenariusze, aby się dowiedzieć, jakie należy podjąć działania. Qlik Automate pomaga zautomatyzować działania i zapewnia szablony do przypadków zastosowania uczenia maszynowego. Więcej informacji na temat automatyzacji zawiera temat Qlik Automate. (tylko w języku angielskim)

7. Wymiana modeli w razie potrzeby

   Z biegiem czasu dane wejściowe mogą zmieniać swoją dystrybucję i cechy. Jeśli pierwotny problem związany z uczeniem maszynowym pozostaje taki sam, można zamienić nowe modele w istniejącym wdrożeniu uczenia maszynowego, aby umożliwić płynną poprawę predykcji przy minimalnych zakłóceniach. Jeśli wymagane jest ponowne zdefiniowanie pierwotnego problemu uczenia maszynowego, można utworzyć nowy eksperyment.

   Używanie wielu modeli we wdrożeniu uczenia maszynowego

Wymagania i uprawnienia