Работа с прогнозированиями с помощью машинного обучения

После развертывания модели машинного обучения ее можно использовать для создания прогнозирований. Эти прогнозирования могут использоваться для принятия более эффективных и обоснованных решений на основе ваших данных.

Можно создавать и редактировать развертывания машинного обучения, а также создавать прогнозирования в личных или общих пространствах. Кроме того, можно публиковать развертывания машинного обучения в управляемых пространствах и создавать прогнозирования. Доступ к развертываниям машинного обучения контролируется через пространство. Чтобы узнать больше о пространствах, см. раздел Работа в пространствах.

Развертывания машинного обучения можно создавать в личных, общих и управляемых пространствах. Данные прогнозирования, созданные на основе развертывания машинного обучения, можно сохранить в личном, общем или управляемом пространстве.

Рабочий процесс

Следующие шаги описывают пример работы с развертываниями машинного обучения и прогнозированиями.

1. Развертывание модели

   Разверните модель, которая будет использоваться для прогнозирования.

   Развертывание моделей

2. Утверждение модели

   Перед тем как создавать прогнозирования с использованием развертывания машинного обучения, необходимо активировать исходную модель для прогнозирования. Утверждение модели может выполняться пользователями и администраторами со специальными разрешениями.

   Утверждение развернутых моделей

3. Создание прогнозирований

   Создавайте прогнозирования вручную или по графику либо используйте конечные точки прогнозирования в реальном времени в Machine Learning API.

   Создание прогнозирований на основе наборов данных

   Machine Learning API

4. Визуализация прогнозной аналитики

   Загрузите сгенерированные данные для прогнозирования в приложение и создайте визуализации.

   Визуализация значений SHAP в приложениях Qlik Sense

5. Исследование данных со сценариями альтернатив

   Интегрируйте API прогнозирования в приложение, чтобы создавать прогнозирования в реальном времени. С его помощью можно проверять сценарии альтернатив, изменяя значения признаков и получая прогнозируемые результаты для новых значений. Запись передается в развертывание машинного обучения через API, и пользователь получает ответ в реальном времени. Например, как изменение тарифного плана или повышение базового тарифа повлияет на риск оттока клиентов?

6. Принятие мер (действия)

   Проанализируйте прогнозные данные и сценарии, чтобы определить, какие действия следует предпринять. Автоматизация приложения Qlik помогает автоматизировать действия и предоставляет специальные шаблоны для сценариев использования машинного обучения. Для получения дополнительной информации об автоматизациях см. раздел Автоматизация приложения Qlik. (только английский язык)

7. Замена моделей по мере необходимости

   Со временем входные данные могут измениться с точки зрения распространения и признаков. Если исходная задача машинного обучения осталась прежней, можно поменять модели в существующем развертывании машинного обучения на новые, чтобы улучшить прогнозы с минимальными перебоями в работе. Если требуется переопределить первоначальную задачу машинного обучения, можно создать новый эксперимент.

   Использование нескольких моделей в развертывании машинного обучения

Требования и разрешения

Для получения информации о необходимых разрешениях пользователя для работы с развертываниями машинного обучения или прогнозами см. раздел Элементы управления доступом для развертывания машинного обучения и прогнозами.