Arbeta med maskininlärning i Qlik Answers | Qlik CloudHjälp
Gå till huvudinnehåll Gå till ytterligare innehåll
Qlik-resurser
Laddar sökning med SearchUnify Om du behöver hjälp med din produkt, kontakta Qlik Support.
Qlik kundportal
Laddar sökning med SearchUnify Om du behöver hjälp med din produkt, kontakta Qlik Support.
Qlik kundportal

Arbeta med maskininlärning i Qlik Answers

Du kan arbeta med Qlik Predict automatiserad maskininlärning med hjälp av den AI-drivna tekniken från Qlik Answers.

I den agentiska Qlik Answers upplevelsen kan du skapa och köra maskininlärningsarbetsflöden med naturligt språk. Du kan utforska datauppsättningar, konfigurera och träna experiment och köra prognoser från samma chattupplevelse.

Arbeta med Predict i Qlik Answers

Training ML experiment in agentic experience
Govnote-not-inStöds inte i Qlik Cloud Government.
Govnote-not-inStöds inte i Qlik Cloud Government - DoD.

Innan du börjar

Förutsättningar:

  • Din klientorganisation har inferens mellan regioner aktiverad – det vill säga att klientorganisationen måste vara aktiverad för den agentiska Qlik Answers upplevelsen.

    Aktivering av regionöverskridande inferens

  • Din klientorganisation och prenumeration har kapacitet för Qlik Answers.

    Qlik Answers kapacitet

  • Du har åtkomst till de nödvändiga datamängderna och Qlik Predict tillgångar.

    BEHÖRIGHETER

Öppnar Qlik Predict i Qlik Answers

Gör följande:

  1. Klicka på Öppna Answers för att öppna Qlik Answers.

  2. I rullgardinsmenyn, välj Predict.

    Öppnar Predict

    Selecting the predict agent in chat

Arbetsflöden från början till slut

Använd följande arbetsflöden när du arbetar med Predict.

Steg 1: Utforskning av datauppsättning och insikter

Använd datamängdsinsikter för att förstå datakvalitet och kandidatfält före träning. Be om insikter och riktade rekommendationer.

Du behöver inte heller veta det exakta namnet på datauppsättningen du vill använda—du kan be om en lista över tillgängliga datauppsättningar.

Exempelfrågor för utforskning av datauppsättning och insikter
Åtgärd Exempelfrågor Anteckningar
Val av datauppsättningar

  • Visa mig tillgängliga datauppsättningar för träning

  • Vilka datauppsättningar kan jag använda för träning?

  • Lista datamängder

-
Datasetinsikter

  • kan du visa mig datasetinsikter för <dataset name>

Alternativt kan du först öppna datauppsättningen i Qlik Cloud och sedan ställa frågor som:

  • kan du visa mig datasetinsikter för det här datasetet?

  • Vilka funktioner i denna datamängd har hög kardinalitet

Målrekommendation

  • Vilken kolumn rekommenderar du att använda som mål

  • Vad är din rekommendation för målet

  • Vilken kolumn ska den tränade modellen förutsäga

Användbara som följdfrågor efter att ha valt en datamängd och utforskat insikter.

Steg 2: Experimentträning och övervakning

Beskriv ditt mål och låt agenten konfigurera och köra ett experiment. Experimenttyperna regression och klassificering stöds. När du har valt en datauppsättning och ett mål, uppmanas du att starta träningen.

Om du redan har startat ett maskininlärningsarbetsflöde tidigare, kan du be Predict att övervaka befintliga experiment.

Exempelfrågor för experimentträning och övervakning
Åtgärd Exempelfrågor Anteckningar
Experimentträning (med datauppsättning redan vald)

  • Jag vill förutsäga <column name>

  • Använd <column name> som mål

Användbart som följdfrågor efter att ha valt en datauppsättning för träning att använda.
Experimentträning (ingen datamängd vald)

  • Träna modeller för att förutsäga <column name>; använd <dataset name or a keyword>

  • Skapa ett experiment med <dataset name or a keyword> data

Dessa frågor kan hjälpa dig att komma igång direkt utan att söka manuellt efter datauppsättningar med namn.
Experimentövervakning

  • Lista mina senaste experiment och deras status

  • Vad är statusen för mitt experiment
-

Steg 3: Modelltolkning och rekommendationer

Efter att träningen är klar kan du be om en tolkning av modellens beteende i klartext och rekommendationer baserade på modellens utdata.

Exempelfrågor för modellanalys
Åtgärd Exempelfrågor Anteckningar
Modellrekommendationer

  • Vilken är den bästa modellen i det här experimentet

  • Jag har experimentet <experiment name> öppet. Vad är den bästa modellen

  • Jag har experimentet <experiment name> öppet. Sammanfatta den bästa modellprestandan för en affärspublik

För bästa resultat måste du antingen ha experimentet öppet i din webbläsare eller referera till experimentnamnet i prompten.
Modellmetrik och insikter

  • Vilken är den bästa modellalgoritmen i det här experimentet

  • Jag har experimentet <experiment name> öppet. Vilka är mätvärdena för den bästa modellen

  • Utforska modellinsikter och funktionsviktighet för det här experimentet

  • Jag har experimentet <experiment name> öppet. Vilka funktioner har störst inverkan på den här modellen?

För bästa resultat måste du antingen ha experimentet öppet i din webbläsare eller referera till experimentnamnet i prompten.

När du analyserar modeller i chatten, kan du också klicka på Visa källa för att expandera ytterligare detaljer, inklusive diagram över uppdelning av funktionsvikt och insikter i naturligt språk.

Användning av Visa källa för att analysera modeller med inbäddade diagram

Using View source to analyze models with embedded charts

Steg 4: Distribution, aktivering och prognoser

Efter träning, kan du distribuera en modell och skapa en ML-distribution. När du har bett om att distribuera en modell, uppmanas du att bekräfta distributionen.

Du kan också köra batchprognoser med hjälp av de modeller du har distribuerat. Systemet söker efter kompatibla tillämpade datauppsättningar och listar dem så att du kan välja. Du kan också använda naturliga språkfrågor för att välja en specifik tillämpad datauppsättning.

Distribuerade modeller aktiveras automatiskt när prognoser skapas, beroende på tillgänglig kapacitet för prenumerationen.

Exempelfrågor för distribution och förutsägelser
Åtgärd Exempelfrågor Anteckningar
Distribution och övervakning av modell

  • Distribuera den bästa modellen för det här experimentet

  • Jag har experimentet <experiment name> öppet. Visa distributionsdetaljer

  • Kontrollera distributionsstatus för det här experimentet

Användbart som följdfrågor direkt efter modellanalys.

För bästa resultat måste du antingen ha experimentet öppet i din webbläsare eller referera till experimentnamnet i prompten.
Prognoser—starta begäran

  • Kör prognoser med denna distribution

  • Kör prognoser med distributionen <deployment name>

För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.
Prognoser—välja en tillämpad datauppsättning

  • Använd <apply dataset name> som den datauppsättning som ska användas för prognoser med denna distribution

  • Jag har distributionen <deployment name> öppen. Kör prognoser med <apply dataset name> datauppsättning

För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.
Förutsägelser—övervaka status

  • Kontrollera status för batchprognos för denna distribution

För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.
Prognoser—utforska prognosresultat

  • Jag har distributionen <deployment name> öppen. Utforska aktuella prognosresultat

  • Visa mig mina senaste prognoser för denna distribution

För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.

Bästa praxis för att ställa frågor

För bästa resultat när du arbetar med Qlik Predict i Qlik Answers, följ de här allmänna riktlinjerna:

  • Om du är osäker på hur du ska komma igång, fråga Predict vad den kan göra. Qlik Answers kan tillhandahålla en lista över funktioner som stöds.

  • Starta en ny konversation när du byter ämne, eller om du inte får det svar du behöver.

  • Om du inte får önskat svar, försök att ge mer detaljer och var specifik med vad du vill göra. Till exempel kan referenser till de exakta namnen på datauppsättningar och andra tillgångar bättre hjälpa Qlik Answers att hitta dem när du startar träning eller kör förutsägelser.

  • Formulera om din fråga om den inte ger det svar du behöver först.

Mer information finns i Bästa praxis för att chatta med Qlik Answers.

BEHÖRIGHETER

Du behöver både Qlik Answers och Qlik Predict behörigheter för att slutföra maskininlärningsarbetsflöden från början till slut.

Du måste ha följande:

Begränsningar

Datauppsättningar

Uppdaterar och tar bort datauppsättningar

Du kan inte ladda upp eller ta bort datauppsättningar från chatten.

Byta datauppsättningar

Följande är inte möjligt i chatt:

  • Ändra träningsdatauppsättningar efter att ha kört en experimentversion.

  • Köra flera prognoser med olika tillämpade datauppsättningar inom samma chatt.

Som en tillfällig lösning, när du behöver träna experiment eller köra förutsägelser med en annan datauppsättning, starta en ny chatt först. Om du tränar experiment, kommer detta också att kräva att skapa ett nytt experiment i den nya chatten.

Se Chattar med Qlik Answers för mer information om att starta nya chattar.

Stora datauppsättningar

Chatt stöder inte datauppsättningar som överskrider någon av följande gränser för Qlik Cloud klientorganisation:

  • Maximal datauppsättningsstorlek (träningsdatauppsättningar)

  • Maximalt antal celler i datauppsättningen (träningsdatauppsättningar)

  • Högsta antal inkluderade kolumner (tränings- och tillämpningsdataset)

Experimentfunktioner

  • Fördomsdetektering stöds inte.

  • Det går inte att analysera eller hämta rapporter om modellträning.

  • Det går inte att komma åt inbäddad analys (Jämför och Analysera flikar) för experimentet.

  • Alla funktioner och algoritmer väljs ut för träning när experimentet konfigureras. Du kan inte välja bort funktioner eller algoritmer. Vidare används alltid intelligent modelloptimering för att träna modeller—manuell optimering stöds inte.

  • Det är inte möjligt att träna andra och efterföljande versioner av ett experiment.

Modelltyper

Inte tillgängligt för tidsseriemodeller.

Förutsägelsetyper

Inte tillgänglig för realtids- eller kopplingsbaserade prognoser.

Hantering av ML-modell

  • Du kan inte ersätta en befintlig distribuerad modell från chatt.

  • Du kan inte distribuera flera modeller från olika experimentversioner från chatt.

  • Det går inte att komma åt inbäddad analys (modellåtgärder och avvikelseövervakning) för distributionen.

Var den här sidan till hjälp för dig?

Om du stöter på några problem med den här sidan eller innehållet på den, t.ex. ett stavfel, ett saknat steg eller ett tekniskt fel – meddela oss!

Lämna din feedback här