Créer votre propre modèle prédictif
Vous pouvez créer votre propre service web prédictif basé sur un modèle public nommé Expérience de prédiction pour Dynamics 365 Business Central. Ce modèle prédictif est disponible en ligne dans Microsoft Azure AI Gallery.
Pour utiliser le modèle prédictif, procédez comme suit :
Ouvrez un navigateur, puis accédez à Azure AI Gallery.
Recherchez Expérience de prédiction pour Dynamics 365 Business Central, puis ouvrez le modèle dans Microsoft Azure Machine Learning Studio.
Sur la page Expérience de prédiction pour Dynamics 365 Business Central, cliquez sur le lien Ouvrir dans Studio (classique).
Lorsque vous y êtes invité, utilisez votre compte Microsoft pour vous connecter à un espace de travail, puis copiez le modèle.
Le modèle est maintenant disponible dans votre espace de travail.
En bas de la page, sélectionnez Exécuter > Exécuter le modèle pour exécuter le modèle. Le processus peut prendre quelques minutes.
Publiez votre modèle en tant que service web en cliquant sur Déployer le service web.
Une fois le service web créé, il devrait s’afficher comme illustré dans la capture d’écran suivante :
Notez les informations s’affichant dans les champs URI de l’API et Clé API. Vous pouvez utiliser ces informations d’identification pour une configuration de trésorerie.
Cliquez sur l’icône Rechercher la page pour ouvrir la fonctionnalité Fenêtre de recherche. Saisissez Configuration des prévisions de retard de paiement, puis cliquez sur le lien associé.
Sélectionnez l’option Utiliser mon abonnement Azure.
Dans le raccourci Informations d’identification de mon modèle, saisissez l’URI de l’API (en sélectionnant REQUÊTE/RÉPONSE, puis en copiant l’URI de la requête) et la Clé API pour votre modèle.
Le modèle de prédiction pour Microsoft Dynamics 365 Business Central vous permet d’effectuer l’apprentissage de modèles, d’en évaluer et d’en visualiser à des fins de prédiction. Ce modèle utilise le module Exécuter le script R pour exécuter les scripts R qui exécutent toutes les tâches. Les deux modules d’entrée définissent la structure attendue des jeux de données d’entrée. Le premier module définit la structure du jeu de données, qui est flexible et peut accepter jusqu’à 25 fonctionnalités. Le second définit les paramètres.
Lorsque vous appelez l’API, vous devez transmettre plusieurs paramètres :
method (chaîne) : paramètre obligatoire. Indique la procédure de Machine Learning à utiliser. Le modèle prend en charge les méthodes suivantes :
train (Le système décide d’utiliser la classification ou la régression en fonction de votre jeu de données.)
trainclassification
trainregression
predict
evaluate
plotmodel
En fonction de la méthode sélectionnée, vous pourriez avoir besoin d’autres paramètres :
train_percent (valeur numérique) : obligatoire pour les méthodes train, trainclassification et trainregression. Indique comment fractionner un jeu de données en jeux de formation et de contrôle. La valeur 80 signifie que 80 % du jeu de données sont utilisés pour la formation et 20 % pour le contrôle du résultat.
model (chaîne ; base64) : obligatoire pour les méthodes predict, evaluate, et plotmodel. Ce paramètre est un modèle de contenu sérialisé et codé avec Base64. Vous pouvez obtenir le paramètre model à la suite de l’exécution de la méthode train, trainclassification ou trainregression.
captions (chaîne) : paramètre facultatif utilisé avec la méthode plotmodel. Ce paramètre comporte des légendes séparées par des virgules pour les fonctionnalités. S’il n’est pas transmis, Feature1..Feature25 est utilisé.
labels (chaîne) : paramètre facultatif utilisé avec la méthode plotmodel. Ce paramètre comporte d’autres légendes séparées par des virgules pour les libellés. S’il n’est pas transmis, les valeurs réelles sont utilisées.
dataset : obligatoire pour les méthodes train, trainclassification, trainregression, evaluate et predict, et se compose des paramètres suivants :
Feature1..25 : les caractéristiques sont les attributs descriptifs (également appelés dimensions) qui décrivent l’observation unique (enregistrement dans le jeu de données). Il peut s’agir d’un entier, d’un décimal, d’une valeur booléenne, d’une option, d’un code ou d’une chaîne.
Label : ce paramètre est obligatoire, mais il doit être vide pour la méthode predict. Le libellé est ce que vous tentez de prédire ou prévoir.
La sortie du service comprend les paramètres suivants :
model (chaîne ; base64) : résultat de l’implémentation des méthodes train, trainclassification et trainregression. Ce paramètre contient le modèle sérialisé, codé avec Base64.
quality (valeur numérique) : résultat de l’implémentation des méthodes train, trainclassification, trainregression et evaluate. Dans l’expérience actuelle, vous pouvez utiliser le score Justesse équilibrée comme mesure de la qualité d’un modèle.
plot (application/pdf ; base64) : résultat de l’implémentation de la méthode plotmodel. Ce paramètre contient la visualisation du modèle au format PDF, codé avec Base64.
dataset : résultat de l’implémentation de la méthode predict, et se compose des paramètres suivants :
Feature1..25 : ce paramètre est le même que celui de l’entrée.
Label : valeur prédite.
Confidence : probabilité que la classification soit correcte.