Trabalhando com implementações de ML

Depois de treinar e refinar um modelo, você pode implementá-lo para fazer previsões.

As implementações de ML podem ser criadas em espaços pessoais, compartilhados e gerenciados.

Fluxo de trabalho

As etapas a seguir são um exemplo de como trabalhar com implementações e previsões de ML.

1. Implemente seu modelo

   Implemente o modelo que deseja usar para fazer previsões.

   Implementando modelos

2. Aprovar seu modelo

   Antes de poder fazer previsões com a implementação de ML, o modelo de origem precisa ser ativado para fazer previsões. A aprovação do modelo pode ser realizada por usuários e administradores com permissões específicas.

   Aprovando modelos implementados

3. Fazer previsões

   Faça previsões manuais ou programadas em conjuntos de dados ou use o ponto de extremidade de previsão em tempo real na API de aprendizado de máquina.

   Criando previsões sobre conjuntos de dados

   API de aprendizado de máquina

4. Visualize os insights preditivos

   Carregue os dados de previsão gerados em um aplicativo e crie visualizações.

   Visualizando valores SHAP em aplicativos Qlik Sense

5. Explore os dados com cenários hipotéticos

   Integre a API de previsão em um aplicativo para obter previsões em tempo real. Isso permite que você experimente cenários hipotéticos alterando os valores dos recursos e obtendo resultados previstos para os novos valores. O registro é passado para a implementação de ML via API e uma resposta é recebida em tempo real. Por exemplo, o que aconteceria com o risco de desistência de clientes se mudássemos o tipo de plano ou aumentássemos a tarifa base?

6. Tomar uma medida

   Analise os insights e cenários preditivos para descobrir quais ações tomar. O Qlik Automate ajuda a automatizar as ações e fornece modelos específicos para casos de uso de aprendizado de máquina. Para obter mais informações sobre automações, consulte Qlik Automate (somente em inglês).

7. Substituir modelos quando necessário

   Com o tempo, os dados de entrada podem mudar em termos de distribuição e recursos. Se o seu problema original de aprendizado de máquina permanecer o mesmo, você poderá trocar novos modelos em sua implementação de ML existente para permitir a melhoria contínua das previsões com o mínimo de interrupção. Se precisar redefinir o problema original de aprendizado de máquina, você pode criar um novo experimento.

   Usando vários modelos em sua implementação de ML

Requisitos e permissões