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: 2026-10-20

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

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 samt köra prediktioner 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. Mer information finns i 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 dataset och insikter

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

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

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

  • Visa mig de tillgängliga datamängderna för träning

  • Vilka datauppsättningar kan jag använda för träning?

  • Lista datauppsättningar

-
Datasetinsikter

  • kan du visa mig datamängdsinsikter för <datamängdsnamn>

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

  • kan du visa mig datauppsättningsinsikter för den här datauppsättningen?

  • Vilka funktioner i detta dataset 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 en datamängd och ett mål uppmanas du att starta träningen.

Om du redan har startat ett arbetsflöde för maskininlärning tidigare kan du be Predict att övervaka befintliga experiment.

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

  • Jag vill förutsäga <kolumnnamn>

  • Använd <kolumnnamn> som mål

Användbara som uppföljningsfrågor efter att ha valt ett träningsdataset 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 söka manuellt efter dataset via 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 det här experimentet

  • 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 webbläsaren 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 det här experimentet

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

För bästa resultat behöver du antingen ha experimentet öppet i webbläsaren 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 över 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 också köra batchprediktioner med hjälp av de modeller du har distribuerat. Systemet söker efter kompatibla datauppsättningar för tillämpning och listar dem så att du kan välja. Du kan också använda prompter på naturligt språk för att välja en specifik tillämpningsdatauppsättning.

Driftsatta modeller aktiveras automatiskt när förutsägelser 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 <experimentnamn> öppet. Visa distributionsdetaljer

  • Kontrollera distributionsstatus för detta experiment

Användbart som uppföljningsfrågor direkt efter modellanalys.

För bästa resultat behöver du antingen ha experimentet öppet i webbläsaren eller referera till experimentnamnet i prompten.
Prediktioner—starta begäran

  • Kör förutsägelser med denna distribution

  • Kör prediktioner med distributionen <distributionsnamn>

För bästa resultat behöver du antingen ha distributionen öppen i webbläsaren 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 förutsägelser med datauppsättningen <namn på tillämpningsdatauppsättning>

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

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

  • Visa mig mina senaste prediktioner för denna distribution

För bästa resultat behöver du antingen ha distributionen öppen i webbläsaren 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 kan du 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 som krävs, prova att ange fler detaljer och var specifik med 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.

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

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

Behörigheter

Du behöver både behörigheterna Qlik Answers och Qlik Predict för att slutföra heltäckande 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.

Ändra datauppsättningar

Följande är inte möjligt i chatten:

  • Ändra träningsdatauppsättningar efter att en experimentversion har körts.

  • 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 en ny chatt först. Om du tränar experiment kräver detta också 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

Chat har inte stöd för datamängder som överskrider någon av följande gränser för klientorganisationen Qlik Cloud:

  • Maximal datauppsättningsstorlek (träningsdatauppsättningar)

  • Maximalt antal celler i datauppsättningen (träningsdatauppsättningar)

  • Maximalt antal inkluderade kolumner (tränings- och tillämpningsdatauppsättningar)

Experimentfunktioner

  • Biasdetektering stöds inte.

  • Det är inte möjligt att analysera eller hämta modellträningsrapporter.

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

  • Alla funktioner och algoritmer väljs 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 förutsägelser.

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