Udostępnij za pośrednictwem

Tworzenie modelu przewidywania

  • Artykuł

W tym przykładzie tworzony jest model przewidywania AI Power Apps, który korzysta z tabeli zamiarów kupujących w online w Microsoft Dataverse. Aby pobrać te przykładowe dane do środowiska Microsoft Power Platform, włącz ustawienie Wdróż przykładowe aplikacje i dane podczas tworzenia środowiska zgodnie z opisem w Budowanie modelu w AI Builder. Lub postępuj zgodnie z bardziej szczegółowymi instrukcjami dostępnymi w artykule Przygotowywanie danych. Gdy przykładowe dane znajdują się w usłudze Dataverse, wykonaj następujące kroki, aby utworzyć model.

  1. Zaloguj się w Power Apps lub Power Automate.

  2. W lewym okienku wybierz ... Więcej>Centrum AI.

  3. W obszarze Poznaj funkcję AI wybierz Modele AI.

    (Opcjonalnie) aby zachować Modele AI na stałe w menu dla łatwego dostępu, wybierz ikonę pinezki.

  4. Wybierz Predykcja — Przewiduj przyszłe wyniki na podstawie danych historycznych.

  5. Wybierz opcję Utwórz model niestandardowy.

Wybieranie wyniku historycznego

Pomyśl o przewidywaniu, które ma wykonać narzędzie AI Builder. Na przykład w przypadku pytania „Czy ten klient zrezygnuje?” pomyśl o pytaniach takich jak:

  • Gdzie jest tabela zawierająca informacje o rezygnacji klientów?
  • Czy jest tam kolumna, która konkretnie określa, czy klient zrezygnował?
  • Czy kolumna zawiera niewiadome, które mogą powodować niepewność?

Użyj tych informacji, aby wybrać odpowiednie opcje. W przypadku pracy z dostarczonymi przykładowymi danymi, pytanie brzmi: „Czy ten użytkownik, który wchodził w interakcję z moim sklepem internetowym, dokonał zakupu?”. Jeśli tak, to powinien być przychód dla tego klienta. Zatem to, czy dla tego klienta istnieje przychód, powinno być moim wynikiem historycznym. Wszędzie tam, gdzie te informacje są puste, narzędzie AI Builder może pomóc Ci wykonać przewidywanie.

  1. W menu rozwijanym Tabela wybierz tabelę zawierającą dane i wynik, który chcesz przewidzieć. Dla przykładowych danych wybierz jednostkę Intencje kupującego online.

  2. W menu rozwijanym Kolumna wybierz kolumnę zawierającą wynik. Dla przykładowych danych wybierz pozycję Przychód (Etykieta). Alternatywnie, jeśli chcesz wypróbować przewidywanie liczby, wybierz pozycję ExitRates.

  3. Jeśli wybrano zestaw opcji, który zawiera co najmniej dwa wyniki, warto rozważyć zamapowanie go na wartość „Tak” lub „Nie”, ponieważ chcesz przewidywać, czy coś się stanie.

  4. Jeśli chcesz, aby uniknąć wielu wyników, użyj przykładowej listy zestaw danych e-mail w tej próbie i wybierz Kolejność BC w menu rozwijanym Tabela i Czasy dostaw w menu rozwijanym Kolumna.

Uwaga

AI Builder są obsługiwane następujące typy danych dla kolumny wyników:

  • Tak/Nie
  • Choices
  • Liczba całkowita
  • Liczba dziesiętna
  • Liczba zmiennoprzecinkowa
  • Waluta

Wybieranie kolumn danych do szkolenia modelu

Po wybraniu Tabeli i Kolumny i zamapowaniu wyniku możesz wprowadzić zmiany w polach danych używanych do trenowania modelu. Domyślnie zaznaczone są wszystkie odpowiednie kolumny. Możesz usunąć zaznaczenie kolumn, które mogą przyczynić się do mniej dokładnego modelu. Jeśli nie wiesz, co zrobić w tym miejscu, nie martw się. AI Builder podejmie próbę znalezienia kolumn zapewniających uzyskanie najlepszego możliwego modelu. Dla przykładowych danych po prostu pozostaw wszystko jak jest i wybierz pozycję Dalej.

Zagadnienia dotyczące wyboru kolumn danych

Najważniejszą kwestią, którą należy tutaj wziąć pod uwagę, jest to, czy kolumna niebędąca kolumną wyniku historycznego jest pośrednio określona przez wynik.

Załóżmy, że chcesz przewidzieć, czy przesyłka będzie opóźniona. Dane mogą zawierać rzeczywistą datę dostarczenia. Ta data istnieje dopiero po dostarczeniu zamówienia. Dlatego, jeśli dołączysz tę kolumnę, model będzie miał dokładność zbliżoną do 100procent. Zamówienia, dla których chcesz wykonać przewidywanie, nie są jeszcze dostarczone i nie mają wypełnionej kolumny daty dostarczenia. Dlatego przed trenowaniem należy usunąć zaznaczenie takich kolumn. W uczeniu maszynowym jest to nazywane wyciekiem docelowym lub wyciekiem danych. AI Builder próbuje odfiltrować kolumny, które są „zbyt dobre, aby były prawdziwe”, ale mimo to należy samodzielnie sprawdzić wybór pól.

Uwaga

Podczas wybierania pól danych niektóre typy danych — np. obraz, które nie może być używane jako dane wejściowe do trenowania modelu — nie są wyświetlane. Ponadto kolumny systemowe (np. Data utworzenia) są domyślnie wykluczone.

Jeśli masz powiązane tabele, które mogą zwiększyć skuteczność przewidywania, możesz je również uwzględnić. Tak jak w przypadku przewidywania rezygnacji klienta, należy dołączyć dodatkowe informacje, które mogą znaleźć się w osobnej tabeli. AI Builder obsługuje obecnie relacje „wiele do jednego”.

Filtrowanie danych

Po wybraniu kolumn danych do trenowania można filtrować dane. Tabele będą zawierać wszystkie wiersze. Można jednak skoncentrować się na trenowaniu i przewidywaniu z użyciem podzestawu wierszy. Jeśli wiesz, że w ramach tej samej tabeli używanej do trenowania modelu istnieją nieistotne dane, możesz użyć tego kroku, aby je odfiltrować.

Jeśli na przykład zastosujesz filtr w celu uwzględnienia tylko regionu USA, model będzie trenować na wierszach, w których wynik jest znany tylko dla regionu USA. Gdy ten model zostanie wytrenowany, będzie generował przewidywania tylko dla wierszy, w których wynik nie jest znany tylko dla regionu USA.

Środowisko filtrowania jest takie samo jak w edytorze widoku usługi Power Apps. Rozpocznij dodając:

  • Wiersz, który zawiera jeden warunek filtrowania.
  • Grupa, która umożliwia zagnieżdżanie warunków filtrowania.
  • Powiązana tabela, która umożliwia utworzenie warunku filtrowania dla powiązanej tabeli.

Wybierz kolumnę, operator i wartość, która reprezentuje warunek filtrowania. Pola wyboru służą do grupowania wierszy lub zbiorczego usuwania wierszy.

Następny krok

Szkolenie i publikowanie modelu przewidywania