Arbeta med maskininlärning i Qlik Answers

Senast uppdaterad: 2026-09-08

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 förutsägelser från samma chattupplevelse.

Träna ML-experiment i agentisk upplevelse — Arbeta med Predict i Qlik Answers

Stöds inte i Qlik Cloud Government.

Stöds inte i Qlik Cloud Government - DoD.

Innan du börjar

Förutsättningar:

Din klientorganisation har inferens över regioner aktiverat – det vill säga, klientorganisationen måste aktiveras för den agentiska Qlik Answers upplevelsen.

Aktivering av regionöverskridande inferens
Din klientorganisation och prenumeration har kapacitet för Qlik Answers och Qlik Predict.

Qlik Answers kapacitet

Övervaka användning av Qlik Predict för prenumerationen
Du har tillgång till de nödvändiga datamängderna och Qlik Predict tillgångarna.

Behörigheter

Öppnar Qlik Predict i Qlik Answers

Gör följande:

Klicka på Öppna Answers för att öppna Qlik Answers.
I rullgardinsmenyn, välj Predict.

Öppnar Predict

Heltäckande arbetsflöden

Använd följande arbetsflöden när du arbetar med Predict.

Steg 1: Utforskning av datamängd 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 datamängden du vill använda – du kan be om en lista över tillgängliga datamängder.

Exempelfrågor för utforskning av datauppsättning och insikter
Åtgärd	Exempelfrågor	Anteckningar
Val av datamängd	Visa mig tillgängliga datauppsättningar för träning Vilka datauppsättningar kan jag använda för träning? Lista datamängder	-
Datasetinsikter	kan du visa mig datamängdsinsikter för <dataset name>	Alternativt kan du först öppna datamängden i Qlik Cloud, och sedan ställa frågor som: kan du visa mig datamängdsinsikter för den här datamängden? 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. Regressions- och klassificeringsexperimenttyper stöds. När du har valt en datamängd 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 redan valt dataset)	Jag vill förutsäga <kolumnnamn> Använd <kolumnnamn> som mål	Användbart som uppföljningsfrågor efter att ha valt en träningsdatauppsättning att använda.
Experimentträning (inget dataset valt)	Träna modeller för att förutsäga <kolumnnamn>; använd <datamängdsnamn eller ett nyckelord> Skapa ett experiment med <dataset name or a keyword> data	Dessa frågor kan hjälpa dig att komma igång direkt utan att manuellt söka efter datamängder vid namn.
Experimentövervakning	Lista mina senaste experiment och deras status Vad är statusen för mitt experiment	-

Steg 3: Modelltolkning och rekommendationer

När träningen är klar kan du be om tolkning av modellbeteende i klartext och rekommendationer baserade på modellens utdata.

Exempelfrågor för modellanalys
Åtgärd	Exempelfrågor	Anteckningar
Rekommendationer för modeller	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 måtten för den bästa modellen Utforska modellinsikter och funktionsvikt 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 visa ytterligare detaljer, inklusive diagram över uppdelning av funktionsvikt och insikter i naturligt språk.

Använda Visa källkod för att analysera modeller med inbäddade diagram

Steg 4: Distribution, aktivering och prognoser

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

Du kan också köra batchförutsägelser med hjälp av de modeller du har distribuerat. Systemet söker efter kompatibla tillämpningsdatamängder och listar dem så att du kan välja. Du kan också använda prompter i naturligt språk för att välja en specifik datamängd att tillämpa.

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

Exempelfrågor för distribution och prognoser
Åtgärd	Exempelfrågor	Anteckningar
Distribution och övervakning av modell	Distribuera den bästa modellen för det här experimentet Jag har experimentet <experiment name> öppet. Visa distributionsinformation Kontrollera distributionsstatus för det här experimentet	Användbara 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 förutsägelser med denna distribution Kör förutsägelser med distributionen <distributionsnamn>	För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.
Prognoser—välja en datauppsättning att tillämpa	Använd <apply dataset name> som apply-datauppsättning för förutsägelser med denna distribution Jag har distributionen <deployment name> öppen. Kör förutsägelser med <apply dataset name> datauppsättning	För bästa resultat måste du antingen ha distributionen öppen i din webbläsare eller referera till distributionsnamnet i prompten.
Prognoser—övervaka status	Kontrollera status för batchförutsägelse 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 förutsägelseresultat Visa mig mina senaste förutsägelser 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, följa dessa allmänna riktlinjer:

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 det önskade svaret, 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.
Omformulera 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:

Professionell användarbehörighet (gäller endast användarbaserade prenumerationer)
Den nödvändiga Agentisk AI > Dataanalys behörighet inställd på Tillåten. Denna behörighet tilldelas av en klientorganisationsadministratör.

Hantera användaråtkomst till Qlik Answers
De nödvändiga Qlik Predict behörigheterna för att arbeta med ML-experiment och -distributioner, tilldelade dig av en klientorganisation administratör. Se:
- Användaråtkomst till ML-experiment
- Användaråtkomst till ML-distributioner och prediktioner
Åtkomst till utrymmena där datamängderna, experimenten och distributionerna finns. Se:
- Delade utrymmesbehörigheter för professionella och kapacitetsbaserade prenumerationsanvändare
- Behörigheter för hanterade utrymmen för professionella och kapacitetsbaserade prenumerationsanvändare

Begränsningar

Datauppsättningar

Uppdaterar och tar bort datauppsättningar

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

Byta datamängder

Följande är inte möjligt i chatten:

Ändra träningsdatauppsättningar efter att ha kört en experimentversion.
Köra flera förutsägelser med olika tillämpningsdatauppsättningar inom samma chatt.

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

Mer information om att starta nya chattar finns i Chattar med Qlik Answers.

Stora datauppsättningar

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

Maximal datauppsättningsstorlek (träningsdatauppsättningar)
Maximalt antal celler i datauppsättningen (träningsdatauppsättningar)
Maximalt antal inkluderade kolumner (tränings- och tillämpningsdataset)

Experimentfunktioner

Biasdetektering stöds inte.
Det går inte att analysera eller hämta modellträningsrapporter.
Det går inte att komma åt inbäddad analys (Jämför och Analysera flikar) för experimentet.
Alla funktioner och algoritmer väljs för träning när experimentet konfigureras. Du kan inte avmarkera 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.

Prediktionstyper

Inte tillgänglig för realtids eller koppling-baserade 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 chatten.
Det går inte att komma åt inbäddad analys (modellåtgärder och avvikelseövervakning) för distributionen.

Svara på frågor med Qlik Answers

Maskininlärning med Qlik Predict

Arbeta med experiment

Arbeta med ML-distributioner

Arbeta med ML-prognoser

Välja din kontext

Driftsätt och administrera Qlik Answers

Aktivering av regionöverskridande inferens

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