Introduktion till automatiserad maskininlärning
Automatisera maskininlärning för ditt analysteam med Qlik AutoML. Med det enkla gränssnittet utan kod kan du enkelt skapa maskininlärningsexperiment för att generera modeller och göra prognoser.
Vad är maskininlärning?
Maskininlärning är en gren av artificiell intelligens och datavetenskap som fokuserar på att känna igen mönster i historiska data för att förutsäga framtida resultat. Algoritmer tränas på data för att bygga en prediktiv modell utan att uttryckligen programmeras för att göra det. En modell för maskininlärning kan hjälpa dig att besvara frågor som:
-
Kommer en gymkund att säga upp sitt medlemskap?
-
Vad är det förväntade livstidsvärdet för en viss kund?
Läs mer om de grundläggande begreppen i Grunderna för maskininlärning. Du kommer också att lära dig mer om det strukturerade ramverket för att definiera frågor för maskininlärning och förbereda datauppsättningar.
Vad kan du göra med automatiserad maskininlärning?
Skapa experiment för automatiserad maskininlärning i Qlik Sense. I aktivitetscentret för Analyser kan du samarbeta med andra användare i experimentet och enkelt ladda data från Catalog för att träna modellen.
Integrera din prediktiva analys med Qlik Sense-appar för att dela dina resultat. Utforska vidare med hjälp av visualiseringar och interaktiva scenarier för att förstå hur olika parametrar kan påverka det önskade resultatet.
Du kan göra prognoser för datauppsättningar som lagras i Catalog eller göra operativa prognoser i realtid med hjälp av Qlik Sense-API:er.
Hur fungerar experiment?
Ett experiment tränar algoritmer för maskininlärning på en viss datauppsättning med ett visst mål. Träningen genererar modeller för maskininlärning som du kan använda för att göra prognoser.
Större delen av processen är automatiserad vid automatiserad maskininlärning. När du skapar ett experiment och laddar en datauppsättning analyseras datauppsättningen automatiskt och data förbearbetas för att göras redo för maskininlärning. Statistik och annan information om varje kolumn visas för att hjälpa dig att välja ett mål. När du börjar träningen börjar flera algoritmer söka efter mönster i data. För mer information om hur du skapar och tränar experiment, se Arbeta med experiment.
När träningen är klar kan du utvärdera de genererade modellerna för maskininlärning med hjälp av poäng och rangordningar. Genom att ändra parametrar och upprepa träningen kan du skapa ett antal versioner. Välj den bästa modellen för din datauppsättning och använd den för att börja göra prognoser. Se Arbeta med ML-driftsättningar för mer information.
Som bilden nedan visar kan ett experiment ha flera versioner, var och en med en eller flera algoritmer. Modellen med den bästa algoritmen kan användas för att göra prognoser. Detta innebär att ett experiment kan resultera i flera ML-driftsättningar.
Användaråtkomst till AutoML
Fullständig information om hur användare kan få åtkomst till Qlik AutoML finns i Vem kan arbeta med Qlik AutoML.
AutoML-begränsningar och licensstyrda kapaciteter
AutoML är en kostnadsbelagd tilläggsfunktion. Vissa begränsade funktioner ingår i tillämpliga prenumerationer. De specifika funktionerna och kapaciteterna beror på din prenumerationsnivå.
Begränsningar
-
Qlik AutoML har en API-gräns på 300 förfrågningar per minut.
-
Maximalt antal kolumner i datauppsättningen: 500
Detta gäller de datauppsättningar som används för att träna experiment och generera prognoser. Gränsen är det antal kolumner som används som funktioner i en experimentversion. Fler kolumner kan ingå i datauppsättningen och gränserna beräknas när kolumner inkluderas i datauppsättningen.
Licensstyrda kapaciteter
Din kundlicens avgör kapacitet avseende olika mätvärden som styr hur du kan använda Qlik AutoML. Dina mätetal för användning mäts som en kombination av din användning av AutoML-tjänster via AutoML-användargränssnittet, analys av de viktigaste drivkrafterna i en Qlik Sense-app och via de offentliga API:erna.
Det finns flera nivåer av AutoML tillgängliga beroende på dina affärsbehov. Det finns följande två typer av nivåer:
-
Inkluderad nivå: detta är grundfunktionaliteten i AutoML med begränsade funktioner. Det ingår vid prenumeration av Qlik Sense Enterprise SaaS, Qlik Cloud-analys standard, Qlik Cloud-analys premium, Qlik Cloud Enterprise eller Qlik Talend Cloud (Standard, Premium eller Enterprise). Den ingående nivån passar för utvärderingssyften och för att bedöma hur väl Qlik AutoML kan hjälpa till att uppfylla verksamhetens behov. Det är inte lämpligt för användning i produktion. Vill du ha mer kompletta funktioner ska du överväga en betald nivå av Qlik AutoML.
-
Betalda nivåer: det finns flera paket som ger de kompletta AutoML-funktioner som behövs för användning i produktion. De finns som extra betalda tillägg till en Qlik Cloud-prenumeration.
Följande funktioner finns enbart i betalda nivåer av Qlik AutoML:
-
Optimering av hyperparameter
-
Schemalagda prognoser
-
Prognoser i realtid
-
Qlik AutoML-koppling
Mer information om vad som ingår i de olika nivåerna för AutoML finns i tabellen nedan.
| Mätvärde | Beskrivning | Tillgängligt i ingående nivå | Tillgängligt i betalda nivåer |
|---|---|---|---|
| Driftsatta modeller | Nivån som är inkluderad i Qlik Cloud-prenumerationen definierar ett maximalt antal distribuerade modeller som kan skapas för alla klientorganisationer som är skapade inom licensen. Denna förbrukningsgräns definieras per modell vilket innebär att flera ML-distributioner som skapas från en enda modell räknas som en distribuerad modell. | Ja | Ja |
| Samtidig träning | Detta är antal modeller en klientorganisation kan träna parallellt. I den ingående nivån av Qlik AutoML körs varje modell enskilt efter varandra. Betalda nivåer inkluderar kapacitet som räcker för att din klientorganisation ska kunna träna flera modeller samtidigt. | Nej | Ja |
| Större storlek på datauppsättning | Betalda nivåer ger möjlighet till större datauppsättningar för att träna modeller. | Nej | Ja |
| Manuella batchprognoser | Förutsäger alla rader i en datauppsättning manuellt. | Ja | Ja |
| Schemalagda batchprognoser | Konfigurera dina prognoser att köras enligt schema i stället för att initiera dem manuellt. Schemalagda prognoser är enbart tillgängligt i betalda nivåer av Qlik AutoML. Se Schemalägga prognoser för mer information. | Nej | Ja |
| Prognoser i realtid | Använd detta API att använda dina ML-distributioner för att köra prognoser i realtid. Se Skapa realtidsprognoser för mer information. | Nej | Ja |
| Qlik AutoML-koppling i Qlik Cloud-analys | Med denna analyskoppling kan du läsa in data från den integrerade Qlik AutoML-plattformen till Qlik Cloud. Se Qlik AutoML-analyskällor för mer information. | Nej | Ja |
| Optimering av hyperparameter | Optimering av hyperparameter gör att du kan finjustera dina AutoML-modeller för större kontroll över inlärningsprocessen. Se Optimering av hyperparameter för mer information. | Nej | Ja |
| Övervakning av distribuerad modell | Använd inbyggda övervakningsverktyg för att utvärdera de modeller som distribueras i ML-distributioner. Du kan övervaka hur funktionerna utvecklas över tid, samt detaljer om hur modellen används för prognoser. Mer information finns i Övervakar distribuerade modellers prestation och användning. | Nej | Ja |
Närmare information vad som ingår i din licens finns i produktbeskrivningen för Qlik Cloud®-prenumerationer. Administratörer kan visa licensinformation och övervaka antalet distribuerade modeller i aktivitetscentret för Administration. Mer information finns i Övervaka resursförbrukning.