Présentation
La trésorerie d’une entreprise est un bon indicateur de sa solvabilité financière et peut révéler si elle est en mesure de respecter ses obligations financières. Microsoft Dynamics 365 Business Central fournit des outils que les entreprises peuvent utiliser pour analyser leur trésorerie en analysant les données historiques afin de faire des prévisions pour les périodes futures. Ce module explique la fonctionnalité Prévision de trésorerie, qui est un outil de rapport avancé qui peut utiliser Microsoft Azure Machine Learning pour modéliser divers scénarios et vous donner un aperçu de ce à quoi vous pouvez vous attendre.
Le module montre tout d’abord comment configurer des prévisions de trésorerie en utilisant Microsoft Azure AI. Ensuite, vous allez découvrir le processus d’utilisation de votre propre service web prédictif pour les prévisions de trésorerie.
L’apprentissage automatique est une technique de science des données qui permet aux ordinateurs d’utiliser des données existantes pour prévoir les tendances, les résultats et les comportements futurs. En utilisant l’apprentissage automatique, les ordinateurs apprennent sans être explicitement programmés.
Les principaux composants du service et le flux de travail général pour l’utilisation du service sont indiqués dans le schéma suivant.
Le flux de travail du modèle d’apprentissage automatique suit généralement cette séquence :
Effectuer l’apprentissage - Aidez la machine à apprendre.
Développez des scripts de formation à l’apprentissage automatique en Python, R ou avec le concepteur visuel.
Créez et configurez une cible de calcul.
Soumettez les scripts à une cible de calcul configurée pour qu’ils s’exécutent dans cet environnement. Pendant la formation, les scripts peuvent lire ou écrire dans les magasins de données. Les journaux et la sortie produits pendant la formation sont enregistrés en tant qu’exécutions dans l’espace de travail, puis regroupés sous expériences.
Package : après une exécution satisfaisante, vous enregistrez le modèle persistant dans le registre des modèles.
Valider : interrogez l’expérience pour les mesures journalisées des exécutions actuelles et passées. Si les métriques n’indiquent pas le résultat souhaité, revenez à l’étape 1 et répétez vos scripts.
Déployer : développez un script de scoring qui utilise le modèle, puis déployez le modèle en tant que service web dans Azure ou sur un appareil IoT Edge.
Surveiller : surveillez la dérive des données entre le jeu de données de formation et les données d’inférence d’un modèle déployé. Si nécessaire, revenez à l’étape 1 pour relancer l’apprentissage du modèle avec de nouvelles données de formation.