Trabalhando com aprendizado de máquina em Qlik Answers
Última atualização: 08/09/2026Você pode trabalhar com Qlik Predict aprendizado de máquina automatizado usando a tecnologia com inteligência artificial de Qlik Answers.
Na experiência agêntica Qlik Answers, você pode criar e executar fluxos de trabalho de aprendizado de máquina em linguagem natural. Você pode explorar conjuntos de dados, configurar e treinar experimentos e executar previsões a partir da mesma experiência de chat.
Trabalhando com Predict em Qlik Answers
Antes de começar
Pré-requisitos:
-
Seu locatário ativou a inferência entre regiões—ou seja, o locatário precisa ser habilitado para a experiência agêntica Qlik Answers .
-
Seu locatário e assinatura têm capacidade para Qlik Answers e Qlik Predict.
-
Você tem acesso aos conjuntos de dados necessários e Qlik Predict ativos.
Abrindo Qlik Predict em Qlik Answers
Faça o seguinte:
-
Clique em Abrir Answers para abrir Qlik Answers.
-
No menu suspenso, selecione Predict.
Abrindo Prever
Fluxos de trabalho de ponta a ponta
Use os seguintes fluxos de trabalho ao trabalhar com Predict.
Passo 1: Exploração do conjunto de dados e percepções
Utilize os insights do conjunto de dados para entender a qualidade dos dados e os campos candidatos antes do treinamento. Peça insights e recomendações de direcionamento.
Você também não precisa saber o nome exato do conjunto de dados que deseja usar—você pode pedir uma lista de conjuntos de dados disponíveis.
| Ação | Perguntas de exemplo | Notas |
|---|---|---|
| Seleção de conjunto de dados |
|
- |
| Ideias do conjunto de dados |
|
Alternativamente, você pode primeiro abrir o conjunto de dados em Qlik Cloud e, em seguida, fazer perguntas como:
|
| Recomendação de destino |
|
Útil como perguntas de acompanhamento após selecionar um conjunto de dados e explorar insights. |
Passo 2: Treinamento e monitoramento de experimentos
Descreva seu objetivo e deixe o agente configurar e executar um experimento. Tipos de experimento de regressão e classificação são suportados. Depois de selecionar um conjunto de dados e um alvo, você será solicitado a iniciar o treinamento.
Se você já iniciou um fluxo de trabalho de aprendizado de máquina anteriormente, você pode pedir ao Predict para monitorar experimentos existentes.
| Ação | Perguntas de exemplo | Notas |
|---|---|---|
| Treinamento de experimento (com conjunto de dados já selecionado) |
|
Útil como perguntas de acompanhamento após selecionar um conjunto de dados de treinamento para usar. |
| Treinamento de experimento (nenhum conjunto de dados selecionado) |
|
Estas perguntas podem ajudar você a começar diretamente sem precisar pesquisar manualmente por conjuntos de dados pelo nome. |
| Monitoramento de experimento |
|
- |
Passo 3: Interpretação do modelo e recomendações
Após a conclusão do treinamento, você pode solicitar uma interpretação em linguagem simples do comportamento do modelo e recomendações com base na saída do modelo.
| Ação | Perguntas de exemplo | Notas |
|---|---|---|
| Recomendações de modelo |
|
Para melhores resultados, você precisa ter o experimento aberto no seu navegador ou fazer referência ao nome do experimento no prompt. |
| Métricas do modelo e insights |
|
Para melhores resultados, você precisa ter o experimento aberto no seu navegador ou fazer referência ao nome do experimento no prompt. |
Ao analisar modelos no chat, você também pode clicar em 
Ver fonte para expandir detalhes adicionais, incluindo gráficos de decomposição da importância do recurso e insights em linguagem natural.
Usando Exibir código-fonte para analisar modelos com gráficos incorporados
Passo 4: Implantação, ativação e previsões
Após o treinamento, você pode implementar um modelo, criando uma implementação de ML. Depois de ter solicitado a implementar um modelo, você será solicitado a confirmar a implementação.
Você também pode executar previsões em lote usando os modelos que você implantou. O sistema busca por compatíveis conjuntos de dados de aplicação e os lista para você escolher. Você também pode usar prompts de linguagem natural para selecionar um conjunto de dados de aplicação específico.
Modelos implantados são ativados automaticamente à medida que as previsões são criadas, dependendo da capacidade disponível para a assinatura.
| Ação | Perguntas de exemplo | Notas |
|---|---|---|
| Implementação de modelo e monitoramento |
|
Útil como perguntas de acompanhamento diretamente após a análise do modelo. Para melhores resultados, você precisa ter o experimento aberto no seu navegador ou fazer referência ao nome do experimento no prompt. |
| Previsões—iniciar a solicitação |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou fazer referência ao nome da implementação no prompt. |
| Previsões—selecionando um conjunto de dados de aplicação |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou fazer referência ao nome da implementação no prompt. |
| Previsões—monitorar status |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou fazer referência ao nome da implementação no prompt. |
| Previsões—explore o resultado da previsão |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou fazer referência ao nome da implementação no prompt. |
Melhores práticas para fazer perguntas
Para melhores resultados ao trabalhar com Qlik Predict em Qlik Answers, seguir estas diretrizes gerais:
-
Se você não tem certeza de como começar, pergunte Predict o que ele pode fazer. Qlik Answers pode fornecer uma lista de recursos suportados.
-
Inicie uma nova conversa ao mudar de assunto, ou se não estiver obtendo a resposta de que precisa.
-
Se você não estiver obtendo a resposta desejada, tente fornecer mais detalhes e seja específico sobre o que você está procurando fazer. Por exemplo, fazer referência aos nomes exatos de conjuntos de dados e outros ativos pode ajudar melhor Qlik Answers a encontrá-los ao iniciar o treinamento ou executar previsões.
-
Reformule sua pergunta se ela não retornar a resposta que você precisa de primeira.
Para obter mais informações, consulte Práticas recomendadas para conversar com o Qlik Answers.
Permissões
Você precisa de ambas Qlik Answers e Qlik Predict permissões para concluir fluxos de trabalho de aprendizado de máquina de ponta a ponta.
Especificamente, você precisa do seguinte:
-
Licença de usuário Professional (aplicável apenas a assinaturas baseadas em usuário)
-
A permissão necessária IA Agente > Análise de dados definida como Permitido. Esta permissão é atribuída por um administrador de locatários.
-
As permissões necessárias Qlik Predict para trabalhar com experimentos e implantações de ML, atribuídas a você por um administrador de locatário. Consulte:
-
Acesso aos espaços onde os conjuntos de dados, experimentos e implantações estão localizados. Consulte:
Limitações
Conjuntos de dados
Atualizando e excluindo conjuntos de dados
Você não pode carregar ou excluir conjuntos de dados do chat.
Alterando conjuntos de dados
O seguinte não é possível no chat:
-
Alterar conjuntos de dados de treinamento após executar uma versão do experimento.
-
Executando múltiplas previsões com diferentes conjuntos de dados de aplicação dentro do mesmo chat.
Como solução alternativa, quando precisar treinar experimentos ou executar previsões usando um conjunto de dados diferente, inicie um novo chat primeiro. Se você estiver treinando experimentos, isso também exigirá a criação de um novo experimento no novo chat.
Para mais informações sobre como iniciar novos chats, consulte Conversando com Qlik Answers.
Grandes conjuntos de dados
O Chat não oferece suporte a conjuntos de dados que excedam qualquer um dos seguintes limites para o Qlik Cloud locatário:
-
Tamanho máximo do conjunto de dados (conjuntos de dados de treinamento)
-
Contagem máxima de células do conjunto de dados (conjuntos de dados de treinamento)
-
Número máximo de colunas incluídas (conjuntos de dados de treinamento e aplicação)
Recursos de experimento
-
Detecção de viés não é suportada.
-
Não é possível analisar ou fazer download de relatórios de treinamento de modelo.
-
Não é possível acessar as análises incorporadas (Comparar e Analisar abas) para o experimento.
-
Todos os recursos e algoritmos são selecionados para treinamento ao configurar o experimento. Você não pode desselecionar recursos ou algoritmos. Além disso, a otimização inteligente de modelos é sempre utilizada para treinar modelos—a otimização manual não é suportada.
-
Não é possível treinar a segunda e as versões subsequentes de um experimento.
Tipos de modelo
Não disponível para modelos de séries temporais.
Tipos de previsão
Não disponível para tempo real ou previsões baseadas em conector.
Gerenciamento de modelos do ML
-
Você não pode substituir um modelo implantado existente do chat.
-
Você não pode implementar vários modelos de diferentes versões de experimento do chat.
-
Não é possível acessar análises incorporadas (operações de modelo e monitoramento de desvio) para a implementação.