Trabalhando com aprendizado de máquina em Qlik Answers
Você 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 no Qlik Answers
Antes de começar
Pré-requisitos:
-
Seu locatário tem a inferência entre regiões ativada — ou seja, o locatário precisa ser habilitado para a experiência agêntica Qlik Answers.
-
Seu locatário e sua assinatura têm capacidade para Qlik Answers.
-
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 ideias
Use insights do conjunto de dados para entender a qualidade dos dados e campos candidatos antes do treinamento. Solicite insights e recomendações direcionadas.
Você também não precisa saber o nome exato do conjunto de dados que você deseja usar—você pode solicitar 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 então fazer perguntas como:
|
| Recomendação de destino |
|
Útil como perguntas de seguimento após selecionar um conjunto de dados e explorar insights. |
Passo 2: Treinamento e monitoramento do experimento
Descreva seu objetivo e deixe o agente configurar e executar um experimento. Tipos de experimentos 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 machine learning 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 experimental (nenhum conjunto de dados selecionado) |
|
Estas perguntas podem ajudar você a começar diretamente sem pesquisar manualmente por conjuntos de dados por 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 origem para expandir detalhes adicionais, incluindo gráficos de decomposição da importância do recurso e insights em linguagem natural.
Usando Ver 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 para implementar um modelo, você será solicitado a confirmar a implementação.
Você também pode executar previsões em lote usando os modelos que você implementou. O sistema procura por conjuntos de dados de aplicação compatíveis e os lista para você escolher. Você também pode usar prompts de linguagem natural para selecionar um conjunto de dados de aplicação específico.
Modelos implementados 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 seguimento diretamente após a análise de 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 referenciar o nome da implementação na solicitação. |
| Previsões—selecionar um conjunto de dados de aplicação |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou referenciar o nome da implementação na solicitação. |
| Previsões—status do monitoramento |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou referenciar o nome da implementação na solicitação. |
| Previsões—explore a saída da previsão |
|
Para melhores resultados, você precisa ter a implementação aberta no seu navegador ou referenciar o nome da implementação na solicitação. |
Melhores práticas para fazer perguntas
Para obter melhores resultados ao trabalhar com Qlik Predict em Qlik Answers, seguir estas diretrizes gerais:
-
Se você não tem certeza de como começar, pergunte ao 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 deseja 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 as Qlik Answers e Qlik Predict permissões para concluir fluxos de trabalho de machine learning de ponta a ponta.
Especificamente, você precisa do seguinte:
-
Licença de usuário Professional (aplicável apenas a assinaturas baseadas em usuário)
-
A permissão necessária IA Agêntica > 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 implementações de ML, atribuídas a você por um administrador do 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 bate-papo:
-
Alterando 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 você 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 obter mais informações sobre como iniciar novos bate-papos, 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 do experimento
-
A detecção de viés não é compatível.
-
Não é possível analisar ou download relatórios de treinamento de modelos.
-
Não é possível acessar a análise incorporada (guias Comparar e Analisar) para o experimento.
-
Todos os recursos e algoritmos são selecionados para treinamento ao configurar o experimento. Você não pode desmarcar recursos ou algoritmos. Além disso, a otimização inteligente de modelo é sempre utilizada para treinar modelos—a otimização manual não é suportada.
-
Não é possível treinar segundas e subsequentes versões 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
-
Não é possível substituir um modelo implementado existente a partir 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.