Du är här:
Implementeringsuppgifter för prediktiva AI-lösningar
Processen att implementera prediktiva AI-lösningar innefattar vanligtvis en serie uppgifter.
Versioner som krävs
| Tillgängliga i: Alla versioner stöds av Data 360. Se Tillgänglighet för Data 360-version. |
Vanliga uppgifter
| # | Uppgift | Beskrivning | Mer information |
|---|---|---|---|
| 1 | Definiera resultatet att förutsäga | Definiera ett resultat som du vill förbättra. Det är med största sannolikhet ett nyckeltal (KPI) för din verksamhet. De flesta organisationer har många resultat som kan förbättras. Börja med ett resultat som är viktigt i din verksamhet. Över tid kan du utveckla och tillämpa prediktiva AI-modeller på många olika resultat samtidigt. | |
| 2 | Sammanställ inlärningsdata | Utforma och fyll i utbildningsdata (i ett datamodellobjekt eller DMO) så att de innehåller de historiska data du vill att modellen ska lära sig från. DMO innehåller tabelldata som du normaliserar för modellinlärning. Du kan använda Salesforce-data samt data som är externa för Salesforce. |
 förbereder dina utbildningsdata
|
| 3 | Skapa modellen | Baserat på inlärningsdata, skapa och konfigurera en prediktiv modell som berättar för Einstein hur dina data ska analyseras. Modeller tillhandahåller de inställningar och preferenser som Modellbyggaren använder för att skapa insikter. |
Skapa prediktiva AI-modeller från grunden
|
| 4 | Utvärdera modellkvalitet | Bedöm prestanda och förfina den prediktiva modellen. |
Dataproblem för |
| 5 | Förutsäg och förbättra resultat |
Förutsäg resultat och få recept med den modell du distribuerat. |
får förutsägelser, recept och toppförutsägare
|
Iterativ förfining och ständig förbättring
Implementering är en iterativ process snarare än en linjär. Modellbyggaren är utformad för snabb utforskning, experimentering och implementering. Du lär dig allt eftersom du använder verktyget. Under varje steg på vägen får du inbyggd feedback för att kontrollera resultaten, granska dina antaganden, ställa nya frågor, utföra justeringar och försöka igen. Lägg till en kolumn i dina utbildningsdata. Ändra modellinställningar. Lös varningar, förfina trösklar och filtrera data. Allt eftersom du finjusterar arbetet leder varje förbättring till bättre operativa resultat.
