Создание прогнозирований в реальном времени

Используйте развертывание машинного обучения для прогнозирования будущих результатов на основе новых данных. Для создания прогнозирований в реальном времени используется конечная точка прогнозирования в реальном времени в Machine Learning API.

Прогнозирования можно создавать в реальном времени. Например, это позволит принимать решения о скидках для клиентов при оформлении заказа в реальном времени. После создания прогнозов данные прогнозной аналитики можно загрузить в приложение Qlik Sense, которое позволяет визуализировать данные, взаимодействовать с ними и создавать сценарии альтернатив.

API прогнозирования в реальном времени устарел и заменен конечной точкой прогнозирования в реальном времени в Machine Learning API. Сама функция сохранена. Для будущих сеансов прогнозирования в реальном времени используйте конечную точку прогнозирования в реальном времени в API машинного обучения.

Создание прогнозирований в реальном времени с помощью API

Панель Прогнозирования в реальном времени в интерфейсе развертывания машинного обучения предоставляет доступ к конечной точке прогнозирования в реальном времени в API машинного обучения. Эта панель отображается, если модель по умолчанию в развертывании машинного обучения активирована для создания прогнозов.

Конечная точка прогнозирования в реальном времени представляет собой двустороннюю связь между Qlik Predict и другими функциями в Qlik Cloud, такими как Qlik Sense и автоматизации, а также внешними приложениями. Конечную точку можно использовать для программного создания прогнозирований путем передачи данных в модель и получения результатов прогнозирования в реальном времени.

Панель прогнозов в реальном времени. — Панель прогнозов в реальном времени

Выполните следующие действия.

Откройте панель Прогнозы в реальном времени в развертывании машинного обучения.
Используйте кнопки копирования, чтобы скопировать применимый URL или JSON в буфер обмена (для получения информации о выборе псевдонима для использования см. раздел Работа с псевдонимами моделей в прогнозах в реальном времени).
Включите вызовы API Machine Learning в собственные приложения или вызывайте API вручную с помощью нужного инструмента.

Для ознакомления со спецификациями конечных точек прогнозирования в реальном времени для Machine Learning API см. раздел Генерирование прогнозов в синхронном запросе/ответе.

Для получения другой общей информации о Machine Learning API см. раздел Machine Learning API.

Требования для прогнозирования в реальном времени

Для использования конечной точки прогнозирования в реальном времени требуется ключ API. Чтобы генерировать ключи API, пользователь должен иметь роль Developer в клиенте. См. Создание ключей API и управление ими.
Исходная модель для используемого развертывания машинного обучения должна быть активирована для прогнозирования. Для получения дополнительной информации см.:
- Утверждение развернутых моделей
- Работа с утверждением модели в качестве администратора
Для работы с развертываниями машинного обучения и прогнозированиями необходимы соответствующие права. Они включают роли безопасности и роли пространства. См. Работа с прогнозированиями с помощью машинного обучения.

Работа с псевдонимами моделей в прогнозах в реальном времени

Можно добавить несколько моделей в развертывание машинного обучения Система псевдонимов используется в развертываниях машинного обучения, чтобы обеспечить динамическую замену моделей для использования в прогнозировании. Для получения дополнительной информации см. Использование нескольких моделей в развертывании машинного обучения.

При копировании URL или JSON, доступны следующие варианты:

Прогнозирование по умолчанию: используйте этот параметр, чтобы генерировать прогнозы на основе псевдонима по умолчанию в развертывании машинного обучения.
Прогнозирование для псевдонимов: используйте этот параметр, если требуется генерировать прогнозы на основе дополнительных псевдонимов, добавленных в развертывание машинного обучения. Выберите псевдоним в раскрывающемся меню, а затем скопируйте URL или JSON.

Просмотр сведений о дрейфе данных и событиях прогнозирования

Выполнив прогнозирование в реальном времени, откройте развертывание машинного обучения и переключитесь на панели Мониторинг операций и Мониторинг дрейфа данных. В этих видах можно оценить следующие показатели:

Уровень дрейфа данных для каждого признака, используемого в прогнозировании. Сравниваются данные, отправляемые в API Qlik Predict для прогнозирования в реальном времени, и обучающий набор данных.
Сведения о событии прогнозирования, например, выполнено успешно или нет, и сколько прогнозирований создано на его основе.

Для получения дополнительной информации см.:

Помогла ли вам эта страница?

Если вы обнаружили какую-либо проблему на этой странице и с ее содержанием — будь то опечатка, пропущенный шаг или техническая ошибка, сообщите нам об этом, чтобы мы смогли ее исправить!

Оставьте свой отзыв здесь