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 прогнозы 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.
Требования и разрешения
Для работы с развертываниями машинного обучения и с содержащимися в них конфигурациями прогнозирования требуется следующее:
-
Право пользователя «Профессионал» или «Пользователь с полными правами»
-
Просмотр и создание развертываний машинного обучения: Роль безопасности Automl Deployment Contributor или Automl Experiment Contributor
-
Редактирование и удаление развертываний машинного обучения: Роль безопасности Automl Deployment Contributor
-
Настройка конфигурации и выполнение прогнозирования на основе развертывания машинного обучения: Роль безопасности Automl Deployment Contributor
-
Необходимые разрешения в пространстве, где находятся развертывания машинного обучения.
Прогнозирования создаются как наборы данных. Поэтому к работе с источниками данных в Qlik Cloud применяются те же требования, что к работе с результатами прогнозирования (например, как при их использовании в приложении Qlik Sense). Для создания наборов данных в личном пространстве требуется роль Создатель личного аналитического содержимого.
Для графиков прогнозирования также предъявляются требования к владельцу конфигурации прогнозирования.
Для получения дополнительной информации см.:
Рабочий процесс
Следующие шаги описывают пример работы с развертываниями машинного обучения и прогнозированиями.
- Развертывание модели
Разверните модель, которая будет использоваться для прогнозирования.
- Создание прогнозирований
Создайте прогнозирования, запускаемые вручную или по графику, или используйте API прогнозирования.
- Визуализация прогнозной аналитики
Загрузите сгенерированные данные для прогнозирования в приложение и создайте визуализации.
- 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?
- 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)