Arbeta med ML-distributioner

När du har tränat och förfinat en modell kan du distribuera modellen för att göra prognoser.

ML-distributioner kan skapas i personliga, delade och hanterade utrymmen.

Arbetsflöde

Följande steg är ett exempel på hur du arbetar med ML-distributioner och prognoser.

1. Driftsätt din modell

   Driftsätt den modell som du vill använda för att göra prognoser.

   Distribuera modeller

2. Få din modell godkänd

   Innan du kan göra prognoser med ML-distributionen måste källmodellen aktiveras för att generera prognoser. Modellgodkännande kan ges av användare och administratörer med särskilda behörigheter.

   Godkänna distribuerade modeller

3. Gör prognoser

   Gör manuella eller schemalagda prognoser för datauppsättningar eller använd slutpunkten för realtidsprognoser i API:t för maskininlärning.

   Skapa prognoser för datauppsättningar

   API för maskininlärning

4. Visualisera de prediktiva insikterna

   Ladda in genererade prognosdata i en app och skapa visualiseringar.

   Visualisering av SHAP-värden i Qlik Sense-appar

5. Utforska data med scenarier

   Integrera API:et för prognoser i en app för att få prognoser i realtid. Detta gör det möjligt att testa scenarier genom att ändra värden för funktioner och få fram förutsedda resultat för de nya värdena. Posten skickas till ML-driftsättningen via API och ett svar tas emot i realtid. Vad skulle till exempel hända med risken för kundförlust om vi ändrade typen av plan eller höjde grundavgiften?

6. Vidta åtgärder

   Analysera de prediktiva insikterna och scenarierna för att ta reda på vilka åtgärder du ska vidta. Qlik programautomatisering hjälper dig att automatisera åtgärderna och tillhandahåller specifika mallar för användningsområden för maskininlärning. Mer information om automatiseringar finns i Qlik programautomatisering. (endast på engelska)

7. Byt ut modeller vid behov

   Med tiden kan dina indata förändras i distribution och funktioner. Om ditt ursprungliga maskininlärningsproblem förblir detsamma kan du byta ut nya modeller i din befintliga ML-distribution för att möjliggöra sömlös förbättring av prognoser med minimal störning. Om du behöver omdefiniera ditt ursprungliga maskininlärningsproblem kan du skapa ett nytt experiment.

   Använda flera modeller i din ML-distribution

Krav och behörigheter

Se Åtkomstkontroll för ML-distribution och prognoser för mer information om användarbehörighetskrav för arbete med ML-distributioner och prognoser.