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

Senast uppdaterad: 2026-11-10

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

I den agentbaserade Qlik Answers-upplevelsen kan du skapa och köra arbetsflöden för maskininlärning på naturligt språk. Du kan utforska datauppsättningar, konfigurera och träna experiment och köra förutsägelser från samma chattupplevelse.

Denna Qlik Answers-upplevelse är separat från att få åtkomst till Qlik Predict-funktioner via Qlik-MCP-servern i en extern LLM-klient. För mer information, se Qlik MCP-server.

Arbeta med Predict i Qlik Answers

Träna ML-experiment i agentbaserad upplevelse
Govnote-not-inStöds inte i Qlik Cloud Government.
Govnote-not-inStöds inte i Qlik Cloud Government - DoD.

Innan du börjar

Förutsättningar:

Öppnar Qlik Predict i Qlik Answers

Gör följande:

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

  2. I rullgardinsmenyn väljer du Predict.

    Öppna Predict

    Välja predict-agenten i chatten

End-to-end-arbetsflöden

Använd följande arbetsflöden när du arbetar med Predict.

Steg 1: Utforskning av datamängd och insikter

Använd datasetinsikter för att förstå datakvalitet och kandidatfält före träning. Be om insikter och rekommendationer för mål.

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

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

  • Visa mig de tillgängliga datamängderna för träning

  • Vilka datauppsättningar kan jag använda för träning?

  • Lista datauppsättningar

-
Datasetinsikter

  • kan du visa mig datauppsättningsinsikter för <datauppsättningsnamn>

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

  • kan du visa mig datamängdsinsikter för den här datamängden?

  • Vilka egenskaper 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 uppföljningsfrågor efter att ha valt en datauppsättning och utforskat insikter.

Steg 2: Träning och övervakning av experiment

Beskriv ditt mål och låt agenten konfigurera och köra ett experiment. Experimenttyper för regression och klassificering stöds. Efter att du har valt ett dataset och ett mål uppmanas du att starta träningen.

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

Exempelfrågor för träning och övervakning av experiment
Åtgärd Exempelfrågor Anteckningar
Experimentträning (med redan valt dataset)

  • Jag vill förutsäga <kolumnnamn>

  • Använd <kolumnnamn> som mål

Användbara som följdfrågor efter att ha valt en träningsdatauppsättning att använda.
Experimentträning (inget dataset valt)

  • Träna modeller för att förutsäga <kolumnnamn>; använd <datauppsättningsnamn eller ett nyckelord>

  • Skapa ett experiment med <datauppsättningsnamn eller ett nyckelord>-data

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

  • Lista mina senaste experiment och deras status

  • Vad är statusen för mitt experiment
-

Steg 3: Modelltolkning och rekommendationer

När träningen har slutförts kan du be om en tolkning på klarspråk av modellens beteende och rekommendationer baserade på modellens utdata.

Exempelfrågor för modellanalys
Åtgärd Exempelfrågor Anteckningar
Rekommendationer för modeller

  • Vilken är den bästa modellen i detta experiment

  • Jag har experimentet <experimentnamn> öppet. Vilken är den bästa modellen

  • Jag har experimentet <experimentnamn> öppet. Sammanfatta den bästa modellprestandan för en affärsinriktad målgrupp

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

  • Vilken är den bästa modellalgoritmen i detta experiment

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

  • Utforska modellinsikter och funktionsbetydelse för detta experiment

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

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

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

Använda Visa källa för att analysera modeller med inbäddade diagram

Använda Visa källa för att analysera modeller med inbäddade diagram

Steg 4: Driftsättning, aktivering och prediktioner

Efter träningen kan du distribuera en modell, vilket skapar en ML-distribution. Efter att du har begärt att distribuera en modell uppmanas du att bekräfta distributionen.

Du kan även köra batchprediktioner 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 på naturligt språk för att välja ett specifikt tillämpningsdataset.

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

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

  • Distribuera den bästa modellen för det här experimentet

  • Jag har experimentet <experimentnamn> öppet. Visa distributionsdetaljer

  • Kontrollera distributionsstatus för det här experimentet

Användbara som uppföljningsfrågor direkt efter modellanalys.

För bästa resultat behöver du antingen ha experimentet öppet i din webbläsare eller referera till experimentnamnet i prompten.
Prediktioner—starta förfrågan

  • Kör förutsägelser med denna distribution

  • Kör förutsägelser med distributionen <distributionsnamn>

För bästa resultat behöver du antingen ha distributionen öppen i din webbläsare eller referera till distributionens namn i prompten.
Prediktioner—välja ett tillämpningsdataset

  • Använd <namn på tillämpningsdatauppsättning> som tillämpningsdatauppsättning för förutsägelser med denna distribution

  • Jag har distributionen <distributionsnamn> öppen. Kör prediktioner med datamängden <namn på tillämpningsdatamängd>

För bästa resultat behöver du antingen ha distributionen öppen i din webbläsare eller referera till distributionens namn i prompten.
Prediktioner—övervaka status

  • Kontrollera status för batchprediktion för denna distribution

För bästa resultat behöver du antingen ha distributionen öppen i din webbläsare eller referera till distributionens namn i prompten.
Prediktioner—utforska prediktionsutdata

  • Jag har distributionen <distributionsnamn> öppen. Utforska aktuella prediktionsresultat

  • Visa mig mina senaste förutsägelser för denna distribution

För bästa resultat behöver du antingen ha distributionen öppen i din webbläsare eller referera till distributionens namn i prompten.

Bästa praxis för att ställa frågor

För bästa resultat när du arbetar med Qlik Predict i Qlik Answers ska du följa dessa allmänna riktlinjer:

  • Om du är osäker på hur du kommer 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 svar du behöver kan du prova att ange fler detaljer och vara specifik om vad du vill göra. Att till exempel referera till de exakta namnen på datauppsättningar och andra tillgångar kan bättre hjälpa Qlik Answers att hitta dem när träning startas eller förutsägelser körs.

  • Omformulera din fråga om den inte ger det svar du behöver till en början.

För mer information, se Bästa praxis för att chatta med Qlik Answers.

Behörigheter

Du behöver både behörigheterna Qlik Answers och Qlik Predict för att slutföra end-to-end-arbetsflöden för maskininlärning.

Du måste ha följande:

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 träningsdataset efter att ha kört en experimentversion.

  • Köra flera prediktioner med olika tillämpningsdatauppsättningar i samma chatt.

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

För mer information om att starta nya chattar, se Chattar med Qlik Answers.

Stora datauppsättningar

Chatt har inte stöd för datauppsättningar som överskrider någon av följande gränser för Qlik Cloud-klientorganisationen:

  • Maximal datauppsättningsstorlek (träningsdatauppsättningar)

  • Maximalt antal celler i datauppsättningen (träningsdatauppsättningar)

  • Maximalt antal inkluderade kolumner (datauppsättningar för träning och tillämpning)

Experimentfunktioner

  • Identifiering av partiskhet stöds inte.

  • Det går inte att analysera eller hämta modellträningsrapporter.

  • Det är inte möjligt att få åtkomst till inbäddad analys (flikarna Jämför och Analysera) för experimentet.

  • Alla funktioner och algoritmer är valda för träning när experimentet konfigureras. Du kan inte avmarkera funktioner eller algoritmer. Dessutom 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 tillgängligt för realtids- eller kopplingsbaserade prediktioner.

Hantering av ML-modell

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

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

  • Det är inte möjligt att få åtkomst till inbäddad analys (modelloperationer och driftövervakning) 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