Praca z uczeniem maszynowym w Qlik Answers
Ostatnia aktualizacja: 9.10.2026Możesz pracować ze zautomatyzowanym uczeniem maszynowym Qlik Predict, korzystając z opartej na sztucznej inteligencji technologii Qlik Answers achievements.
W środowisku agentowym Qlik Answers możesz tworzyć i uruchamiać przepływy pracy uczenia maszynowego w języku naturalnym. Możesz eksplorować zbiory danych, konfigurować i trenować eksperymenty oraz uruchamiać predykcje z poziomu tego samego środowiska czatu.
To środowisko Qlik Answers jest odrębne od uzyskiwania dostępu do możliwości Qlik Predict za pośrednictwem serwera MCP Qlik w zewnętrznym kliencie LLM. Więcej informacji zawiera temat Qlik serwer MCP.
Praca z Predict w Qlik Answers
Czynności wstępne
Wymagania wstępne:
-
Twoja dzierżawa ma włączone wnioskowanie międzyregionowe — to znaczy, że dzierżawa musi być włączona dla agentowego środowiska Qlik Answers.
-
Twoja dzierżawa i subskrypcja mają pojemność dla Qlik Answers i Qlik Predict.
Monitorowanie wykorzystania pojemności Qlik Predict dla subskrypcji
-
Masz dostęp do wymaganych zestawów danych i Qlik Predict zasobów.
Otwieranie Qlik Predict w Qlik Answers
Wykonaj następujące czynności:
-
Kliknij Otwórz Answers, aby otworzyć Qlik Answers.
-
W menu rozwijanym wybierz Predict.
Otwieranie Predict
Kompleksowe przepływy pracy
Użyj poniższych przepływów pracy podczas pracy z Predict.
Krok 1: Eksploracja zbioru danych i wnioski
Użyj analiz zestawu danych, aby ocenić jakość danych i pola kandydujące przed trenowaniem. Poproś o spostrzeżenia i rekomendacje dotyczące celów.
Nie musisz również znać dokładnej nazwy zestawu danych, którego chcesz użyć — możesz poprosić o listę dostępnych zestawów danych.
| Działanie | Przykładowe pytania | Uwagi |
|---|---|---|
| Wybór zbioru danych |
|
- |
| Informacje o zestawie danych |
|
Alternatywnie możesz najpierw otworzyć zestaw danych w Qlik Cloud, a następnie zadać pytania, takie jak:
|
| Rekomendacja docelowa |
|
Przydatne jako pytania uzupełniające po wybraniu zestawu danych i eksplorowaniu szczegółowych informacji. |
Krok 2: Trenowanie i monitorowanie eksperymentu
Opisz swój cel i pozwól agentowi skonfigurować oraz przeprowadzić eksperyment. Obsługiwane są typy eksperymentów regresji i klasyfikacji. Po wybraniu zbioru danych i celu zostanie wyświetlony monit o rozpoczęcie trenowania.
Jeśli wcześniej rozpoczęto już przepływ pracy uczenia maszynowego, możesz poprosić Predict o monitorowanie istniejących eksperymentów.
| Działanie | Przykładowe pytania | Uwagi |
|---|---|---|
| Trenowanie eksperymentu (z już wybranym zbiorem danych) |
|
Przydatne jako pytania uzupełniające po wybraniu zestawu danych szkoleniowych do użycia. |
| Trenowanie eksperymentu (nie wybrano zestawu danych) |
|
Te pytania mogą pomóc Ci od razu rozpocząć pracę, bez konieczności ręcznego wyszukiwania zestawów danych według nazwy. |
| Monitorowanie eksperymentów |
|
- |
Krok 3: Interpretacja modelu i rekomendacje
Po zakończeniu trenowania możesz poprosić o interpretację zachowania modelu w prostym języku oraz rekomendacje oparte na wynikach modelu.
| Działanie | Przykładowe pytania | Uwagi |
|---|---|---|
| Rekomendacje modeli |
|
Aby uzyskać najlepsze wyniki, musisz mieć otwarty eksperyment w przeglądarce lub odwołać się do nazwy eksperymentu w prompcie. |
| Wskaźniki i spostrzeżenia dotyczące modelu |
|
Aby uzyskać najlepsze wyniki, musisz mieć otwarty eksperyment w przeglądarce lub odwołać się do nazwy eksperymentu w prompcie. |
Podczas analizowania modeli w czacie możesz również kliknąć 
Wyświetl źródło, aby rozwinąć dodatkowe szczegóły, w tym wykresy rozbicia ważności cech oraz wnioski w języku naturalnym.
Używanie opcji Wyświetl źródło do analizy modeli z osadzonymi wykresami
Krok 4: Wdrożenie, aktywacja i predykcje
Po wytrenowaniu możesz wdrożyć model, tworząc wdrożenie ML. Gdy poprosisz, aby wdrożyć model, zostanie wyświetlony monit o potwierdzenie wdrożenia.
Możesz także uruchamiać predykcje wsadowe przy użyciu wdrożonych modeli. System wyszukuje zgodne zbiory danych do zastosowania i wyświetla ich listę do wyboru. Możesz także użyć poleceń w języku naturalnym, aby wybrać określony zbiór danych do zastosowania.
Wdrożone modele są aktywowane automatycznie w miarę tworzenia predykcji, w zależności od dostępnej pojemności dla subskrypcji.
| Działanie | Przykładowe pytania | Uwagi |
|---|---|---|
| Wdrożenie i monitorowanie modelu |
|
Przydatne jako pytania uzupełniające bezpośrednio po analizie modelu. Aby uzyskać najlepsze wyniki, musisz mieć otwarty eksperyment w przeglądarce lub odwołać się do nazwy eksperymentu w prompcie. |
| Predykcje — rozpoczęcie żądania |
|
Aby uzyskać najlepsze wyniki, musisz albo mieć otwarte wdrożenie w przeglądarce, albo odwołać się do nazwy wdrożenia w monicie. |
| Predykcje — wybór zestawu danych do zastosowania |
|
Aby uzyskać najlepsze wyniki, musisz albo mieć otwarte wdrożenie w przeglądarce, albo odwołać się do nazwy wdrożenia w monicie. |
| Prognozy — stan monitorowania |
|
Aby uzyskać najlepsze wyniki, musisz albo mieć otwarte wdrożenie w przeglądarce, albo odwołać się do nazwy wdrożenia w monicie. |
| Predykcje — eksploruj dane wyjściowe predykcji |
|
Aby uzyskać najlepsze wyniki, musisz albo mieć otwarte wdrożenie w przeglądarce, albo odwołać się do nazwy wdrożenia w monicie. |
Najlepsze praktyki dotyczące zadawania pytań
Aby uzyskać najlepsze rezultaty podczas pracy z Qlik Predict w Qlik Answers, należy obserwować poniższe ogólne wytyczne:
-
Jeśli nie masz pewności, jak zacząć, zapytaj Predict, co potrafi. Qlik Answers może przedstawić listę obsługiwanych możliwości.
-
Rozpocznij nową konwersację, gdy zmieniasz temat lub jeśli nie otrzymujesz potrzebnej odpowiedzi.
-
Jeśli nie otrzymujesz wymaganej odpowiedzi, spróbuj podać więcej szczegółów i precyzyjnie określ, co chcesz zrobić. Na przykład odwoływanie się do dokładnych nazw zestawów danych i innych zasobów może ułatwić Qlik Answers ich odnalezienie podczas rozpoczynania trenowania lub uruchamiania predykcji.
-
Przeformułuj pytanie, jeśli za pierwszym razem nie uzyskasz potrzebnej odpowiedzi.
Więcej informacji zawiera temat Najlepsze praktyki czatowania z Qlik Answers.
Uprawnienia
Potrzebujesz zarówno uprawnień Qlik Answers, jak i Qlik Predict, aby realizować kompleksowe przepływy pracy uczenia maszynowego.
Potrzebne są poniższe pozycje:
-
Uprawnienie użytkownika profesjonalnego (dotyczy tylko subskrypcji opartych na użytkownikach)
-
Wymagane uprawnienie Agentic AI > Analiza danych ustawione na Dozwolone. To uprawnienie przyznaje administrator dzierżawy.
-
Wymagane uprawnienia Qlik Predict do pracy z eksperymentami i wdrożeniami ML, przypisane Ci przez administratora dzierżawy. Zob.:
-
Dostęp do przestrzeni, w których znajdują się zbiory danych, eksperymenty i wdrożenia. Zob.:
Ograniczenia
Zestawy danych
Aktualizowanie i usuwanie zestawów danych
Nie możesz przesyłać ani usuwać zbiorów danych z poziomu czatu.
Zmiana zestawów danych
Następujące czynności nie są możliwe na czacie:
-
Zmiana zestawów danych treningowych po uruchomieniu wersji eksperymentu.
-
Uruchamianie wielu predykcji z różnymi zbiorami danych do zastosowania w ramach tego samego czatu.
Jako obejście problemu, gdy musisz trenować eksperymenty lub uruchamiać predykcje przy użyciu innego zestawu danych, najpierw rozpocznij nowy czat. Jeśli trenujesz eksperymenty, będzie to również wymagać utworzenia nowego eksperymentu w nowym czacie.
Aby uzyskać więcej informacji na temat rozpoczynania nowych czatów, zobacz Rozmowa z Qlik Answers.
Duże zestawy danych
Czat nie obsługuje zestawów danych, które przekraczają którykolwiek z poniższych limitów dla dzierżawy Qlik Cloud:
-
Maksymalny rozmiar zestawu danych (treningowe zestawy danych)
-
Maksymalna liczba komórek zestawu danych (zestawy danych treningowych)
-
Maksymalna liczba uwzględnionych kolumn (zbiory danych treningowych i aplikacyjnych)
Funkcje eksperymentu
-
Wykrywanie stronniczości nie jest obsługiwane.
-
Nie można analizować ani pobierać raportów z trenowania modeli.
-
Nie można uzyskać dostępu do wbudowanej analityki (kart Porównaj i Analizuj) dla tego eksperymentu.
-
Wszystkie cechy i algorytmy są wybierane do trenowania podczas konfigurowania eksperymentu. Nie można odznaczyć cech ani algorytmów. Ponadto inteligentna optymalizacja modeli jest zawsze wykorzystywana do trenowania modeli — ręczna optymalizacja nie jest obsługiwana.
-
Nie można trenować drugiej i kolejnych wersji eksperymentu.
Typy modeli
Niedostępne dla modeli szeregów czasowych.
Typy predykcji
Niedostępne dla predykcji w czasie rzeczywistym lub opartych na łącznikach.
Zarządzanie modelem uczenia maszynowego
-
Nie można zastąpić istniejącego wdrożonego modelu z poziomu czatu.
-
Nie można wdrożyć wielu modeli z różnych wersji eksperymentu z poziomu czatu.
-
Nie można uzyskać dostępu do wbudowanej analityki (operacji na modelach i monitorowania dryfu) dla wdrożenia.