breadcrumbDescription
Implementeringsopgaver for forudsigende AI-løsninger
Processen med at implementere forudsigende AI-løsninger involverer typisk en række opgaver.
EditionsHeading
| Tilgængelig i: Alle versioner understøttes af Data 360. Se tilgængelighed af Data 360-versionen. |
Almindelige opgaver
| # | Opgave | Beskrivelse | Flere oplysninger |
|---|---|---|---|
| 1 | Definer resultatet, der skal forudsiges | Definer et resultat, som du ønsker at forbedre. Det er mest sandsynligt en KPI (key performance indicator - Nøgletalsindikator) for din forretning. De fleste organisationer har mange resultater, der er kandidater til forbedring. Start med et resultat, der er vigtigt i din forretning. Med tiden kan du udvikle og anvende forudsigende AI-modeller til mange forskellige resultater samtidigt. | |
| 2 | Saml træningsdata | Design og udfyld træningsdataene (i et datamodelobjekt eller DMO) til at indeholde de historiske data, som du ønsker, at modellen skal lære fra. DMO indeholder tabeldata, som du normaliserer til modeltræning. Du kan bruge Salesforce-data og data, der er eksterne for Salesforce. |
Forbered dine træningsdata
|
| 3 | Opret modellen | Baseret på træningsdataene kan du oprette og konfigurere en forudsigelsesmodel, der fortæller Einstein, hvordan de analyserer dine data. Modeller giver de indstillinger og præferencer, som Modelkonstruktør bruger til at generere indsigter. |
Opret forudsigende AI-modeller fra bunden
|
| 4 | Evaluer modelkvalitet | Vurder ydeevne, og juster forudsigelsesmodellen. | |
| 5 | Forudsig, og forbedr resultater |
Forudsig resultater, og få retter ved brug af den model, som du implementerede. |
Få forudsigelser, recepter og topprædiktorer
|
Gentagen justering og kontinuerlig forbedring
Implementering er en gentagende proces i stedet for en lineær. Model Builder er designet til hurtig udforskning, eksperimentering og implementering. Du lærer undervejs På hver trin kan du bruge det indbyggede feedback til at kontrollere dine resultater, gennemse dine antagelser, stille nye spørgsmål, foretage justeringer og prøve igen. Føj en kolonne til dine træningsdata. Skift modelindstillinger. Løs advarsler, juster tærskler og filtrer data. Når du finjusterer din tilgang, kan hver forbedring hjælpe med at føre dig til bedre driftsmæssige resultater.
Løste denne artikel dit problem?
Giv os besked, så vi kan forbedre os!



