Trabalhando com previsões de ML

Depois de implementar seu modelo de aprendizado de máquina, você pode usar o modelo para criar previsões. Essas previsões podem ser usadas para tomar decisões mais eficientes e informadas com base em seus dados.

Você pode criar e editar implementações de ML e gerar previsões em espaços pessoais ou compartilhados. Você também pode publicar implementações de ML em espaços gerenciados e gerar previsões. O acesso às implementações de ML é controlado por meio do espaço. Para obter mais informações sobre espaços, consulte Trabalhando em espaços.

As implementações de ML podem ser criadas em espaços pessoais, compartilhados e gerenciados. Os dados de previsão gerados a partir de uma implementação de ML podem ser armazenados em um espaço pessoal, compartilhado ou gerenciado.

Fluxo de trabalho

As etapas a seguir são um exemplo de como trabalhar com implementações e previsões de ML.

1. Implemente seu modelo

   Implemente o modelo que deseja usar para fazer previsões.

   Implementando modelos

2. Aprovar seu modelo

   Antes de poder fazer previsões com a implementação de ML, o modelo de origem precisa ser ativado para fazer previsões. A aprovação do modelo pode ser realizada por usuários e administradores com permissões específicas.

   Aprovando modelos implementados

3. Fazer previsões

   Faça previsões manuais ou programadas em conjuntos de dados ou use os pontos de extremidade de previsão em tempo real na API de aprendizado de máquina.

   Criando previsões sobre conjuntos de dados

   API de aprendizado de máquina

4. Visualize os insights preditivos

   Carregue os dados de previsão gerados em um aplicativo e crie visualizações.

   Visualizando valores SHAP em aplicativos Qlik Sense

5. Explore os dados com cenários hipotéticos

   Integre a API de previsão em um aplicativo para obter previsões em tempo real. Isso permite que você experimente cenários hipotéticos alterando os valores dos recursos e obtendo resultados previstos para os novos valores. O registro é passado para a implementação de ML via API e uma resposta é recebida em tempo real. Por exemplo, o que aconteceria com o risco de desistência de clientes se mudássemos o tipo de plano ou aumentássemos a tarifa base?

6. Tomar uma medida

   Analise os insights e cenários preditivos para descobrir quais ações tomar. O Qlik Application Automation ajuda a automatizar as ações e fornece modelos específicos para casos de uso de aprendizado de máquina. Para obter mais informações sobre automações, consulte Qlik Application Automation (somente em inglês).

7. Substituir modelos quando necessário

   Com o tempo, os dados de entrada podem mudar em termos de distribuição e recursos. Se o seu problema original de aprendizado de máquina permanecer o mesmo, você poderá trocar novos modelos em sua implementação de ML existente para permitir a melhoria contínua das previsões com o mínimo de interrupção. Se precisar redefinir o problema original de aprendizado de máquina, você pode criar um novo experimento.

   Usando vários modelos em sua implementação de ML

Requisitos e permissões

Para obter informações sobre os requisitos de permissões do usuário para trabalhar com implementações e previsões de ML, consulte Controles de acesso para implementações e previsões de ML.