Создание прогнозов в реальном времени

Используйте развертывание машинного обучения для прогнозирования будущих результатов на основе новых данных.

Прогнозы можно создавать в реальном времени с помощью API прогнозирования. 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.

Использование API прогнозирования в реальном времени

Панель Прогнозы в реальном времени в интерфейсе развертывания машинного обучения предоставляет доступ к API прогнозирования в реальном времени.

API прогнозирования в реальном времени представляет собой двустороннюю связь между AutoML и другими функциями в Qlik Cloud, включая Qlik Sense и автоматизации, а также внешними приложениями. API можно использовать для программного создания прогнозов путем передачи данных в модель и получения результатов прогнозирования в реальном времени.

Требования

• Для использования API прогнозирования в реальном времени требуется ключ API. Чтобы сгенерировать ключ API, пользователю должна быть назначена роль Developer в клиенте.

  Для получения дополнительной информации об API прогнозирования см. раздел Прогнозирование в реальном времени с помощью AutoML.

• 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 прогнозами необходимы соответствующие права. Они включают роли безопасности и роли пространства. См. Работа с прогнозированиями с помощью машинного обучения.

Просмотр сведений о дрейфе данных и событиях прогнозирования

Выполнив прогнозирование в реальном времени, откройте развертывание машинного обучения и переключитесь на панель Мониторинг дрейфа данных. В этом представлении можно оценить:

• Уровень дрейфа данных для каждого признака, используемого в прогнозировании. Сравниваются данные, отправляемые в API прогнозирования в реальном времени AutoML, и набор данных для обучения.

• Сведения о событии прогнозирования, например, выполнено успешно или нет, и сколько прогнозов создано на его основе.

Для получения дополнительной информации см. раздел Мониторинг производительности и использования развернутых моделей.