Ti trovi qui:
Operazioni di implementazione per le soluzioni AI predittive
Il processo di implementazione delle soluzioni AI predittive prevede in genere una serie di operazioni.
Versioni (Edition) richieste
| Disponibile in: Tutte le versioni supportate da Data 360. Vedere Data 360 Edition availability. |
Operazioni comuni
| # | Operazione | Descrizione | Ulteriori informazioni |
|---|---|---|---|
| 1 | Definizione dell'esito da prevedere | Definire un esito (risultato) che si desidera migliorare. Si tratta con tutta probabilità di un indicatore chiave delle prestazioni (KPI) per l'azienda. In gran parte delle organizzazioni, gli esiti candidati per il miglioramento sono numerosi. Iniziare con un risultato significativo per la propria attività. Nel tempo, è possibile sviluppare e applicare modelli di intelligenza artificiale predittiva a molti esiti diversi contemporaneamente. | |
| 2 | Raccolta dei dati di addestramento | Progettare e compilare i dati di addestramento (in un oggetto modello di dati o DMO) per contenere i dati storici da cui si desidera che il modello impari. Il DMO contiene dati tabulari che vengono normalizzati per l'addestramento del modello. È possibile utilizzare i dati Salesforce e i dati esterni a Salesforce. |
 preparazione dei dati
|
| 3 | Creazione del modello | In base ai dati di addestramento, creare e configurare un modello predittivo che indica ad Einstein come analizzare i dati. I modelli offrono le impostazioni e le preferenze utilizzate dal Generatore di modelli per generare approfondimenti. |
Creazione di modelli AI predittivi da zero
|
| 4 | Valutazione della qualità del modello | Valutare le prestazioni e perfezionare il modello predittivo. |
|
| 5 | Previsione e miglioramento degli esiti |
Prevedere gli esiti e ottenere prescrizioni utilizzando il modello distribuito. |
Gli ottengono previsioni, prescrizioni e predittori migliori
|
Perfezionamento iterativo e miglioramento continuo
L'implementazione è un processo iterativo e non lineare. Il Generatore di modelli è progettato per l'esplorazione, la sperimentazione e l'implementazione rapide. Si impara continuando a utilizzarlo. In ogni passaggio si può sfruttare il feedback integrato per controllare i risultati, esaminare i presupposti, porre nuove domande, apportare modifiche e riprovare. Aggiungere una colonna ai dati di addestramento. Modificare le impostazioni del modello. Risolvere gli avvisi, perfezionare le soglie e filtrare i dati. Con il perfezionamento progressivo dell'approccio adottato, ogni miglioramento può contribuire a migliorare gli esiti operativi.
