Criar um modelo de predição
Este exemplo cria um modelo de IA de predição do Power Apps que utiliza a tabela de Intenção de Compradores Online no Microsoft Dataverse. Para obter estes dados da amostra no seu ambiente Microsoft Power Platform, ative as aplicações de amostras de implementação e a definição de dados quando criar um ambiente como descrito em Criar um modelo no AI Builder. Em alternativa, siga as instruções mais detalhadas em Preparação de dados. Depois dos seus dados de amostra estarem no Dataverse, siga estes passos para criar o seu modelo.
Iniciar sessão no Power Apps ou no Power Automate.
No painel esquerdo, selecione ... Mais>Hub de IA.
Em Descobrir uma capacidade de IA, selecione modelos de IA.
(Opcional) Para manter os modelos de IA permanentemente no menu para facilitar o acesso, selecione o ícone de afixar.
Selecione Predição - Preveja resultados futuros a partir de dados do histórico.
Selecione Criar modelo personalizado.
Selecionar o seu resultado histórico
Pense na predição que pretende que o AI Builder faça. Por exemplo, para a pergunta "Isto causará abandono de clientes?", pense em perguntas como as seguintes:
- Onde se encontra a tabela que contém informações sobre o abandono de clientes?
- Existe alguma coluna que indica especificamente se o cliente abandonou a empresa?
- Existem aspetos desconhecidos numa coluna que possam causar incertezas?
Utilize estas informações para fazer as suas seleções. Ao trabalhar com os dados de exemplo fornecidos, a pergunta é: “Este utilizador, que interagiu com a minha loja online, fez alguma compra?" Em caso afirmativo, deverá haver lucro desse cliente. Portanto, a existência ou não de lucro deste cliente deverá ser o resultado histórico. Onde quer que esta informação se encontre, é aqui que o AI Builder pode ajudar a fazer uma predição.
No menu pendente Tabela, selecione a tabela que contém os dados e o resultado que pretende prever. Para os dados de exemplo, selecione Online shopper intention.
No menu pendente Coluna, selecione a coluna que contém o resultado. Para os dados de exemplo, selecione Revenue (Label). Por outro lado, se pretende experimentar prever um número, selecione ExitRates.
Se tiver selecionado um conjunto de opções que contenha dois ou mais resultados, poderá ter de o mapear para “Sim” ou “Não”, dado que o objetivo é prever se algo irá acontecer.
Se quiser prever múltiplos resultados, utilize o conjunto de dados de e-commerce brasileiro no exemplo e selecione Encomenda BC no menu pendente Tabela e Linhas Cronológicas de Entrega no menu pendente Coluna.
Nota
AI Builder suporta estes tipos de dados para a coluna de resultados:
- Sim/Não
- Choices
- Número inteiro
- Número decimal
- Número de vírgula flutuante
- Moeda
Selecionar as colunas de dados para preparar o seu modelo
Depois de selecionar a Tabela e a Coluna, e de mapear o resultado, pode fazer alterações às colunas de dados utilizados para preparar o modelo. Por predefinição, estão selecionadas todas as colunas relevantes. Pode desselecionar colunas que possam contribuir para um modelo menos preciso. Se não souber o que fazer aqui, não se preocupe. O AI Builder tentará localizar as colunas que disponibilizam o melhor modelo possível. Para os dados de exemplo, basta deixar tudo como está e selecionar Seguinte.
Considerações sobre a seleção de colunas de dados
O mais importante a ter em consideração aqui é se uma coluna que não é a sua coluna de resultados históricos é determinada indiretamente pelo resultado.
Digamos que quer prever se uma encomenda enviada vai chegar com atraso. Pode ter a data de entrega real nos dados. Essa data só estará presente depois de a encomenda ser entregue. Assim, se incluir esta colunas, o modelo terá uma precisão aproximada de 100por cento. As encomendas que quer prever ainda não terão sido entregues, por isso, não terão a coluna de data de entrega preenchida. Assim, deverá desselecionar as colunas como esta antes da preparação. Na machine learning, isto é denominado fuga do alvo ou fuga de dados. O AI Builder tenta filtrar as colunas que são "demasiado boas para serem verdadeiras", mas ainda assim deverá verificá-las.
Nota
Ao selecionar os campos de dados, alguns tipos de dados, como Imagens, que não podem ser utilizados como entrada para preparar o modelo não serão apresentados. Além disso, as colunas de sistema, como Criado Em, são excluídos por predefinição.
Utilizar dados de tabelas relacionadas
Se tiver tabelas relacionadas que possam melhorar o desempenho da predição, também as poderá incluir. Tal como fez quando quis prever se um cliente iria abandonar, deve incluir informações adicionais que possam estar numa tabela separada. Atualmente, o AI Builder suporta relações muitos para um.
Filtrar os dados
Depois de selecionar as colunas de dados para a preparação, poderá filtrar nos dados. As suas tabelas conterão todas as linhas. No entanto, é melhor concentrar-se na preparação e previsão de um subconjunto de linhas. Se souber que existem dados irrelevantes na mesma tabela que está a utilizar para preparar um modelo, poderá utilizar este passo para os filtrar.
Por exemplo, se aplicar um filtro para analisar apenas a região EUA, o modelo será preparado em linhas onde o resultado é conhecido apenas para a região EUA. Quando este modelo for preparado, fará apenas uma predição para linhas em que o resultado não seja conhecido apenas para a região EUA.
A experiência de filtragem é a mesma do editor de visualização do Power Apps. Comece por adicionar:
- Uma linha, que contém uma única condição de filtro.
- Um grupo, que permite aninhar as condições de filtro.
- Uma tabela relacionada, que permite criar uma condição de filtro numa tabela relacionada.
Selecione a coluna, o operador e o valor que representa uma condição de filtro. Pode utilizar as caixas de verificação para agrupar linhas ou eliminar linhas em massa.