U bent hier:
Voorspellende modellen verbeteren
Modelkwaliteit is een kritieke succesfactor in voorspellende AI-oplossingen. AI Models (voorheen Einstein Studio) ondersteunt continue, herhalende verbetering voor voorspellingsmodellen. Meet de kwaliteit van het model in de productie in de loop van de tijd. Gebruik kwaliteitswaarschuwingen om verbeterpunten te identificeren en aan te pakken. Experimenteer met nieuwe modelversies. Inspanningen om de kwaliteit van het model te verbeteren, resulteren in betere bedrijfsresultaten.
Bewaken voor modelafwijking
In productie worden modellen over het algemeen minder nauwkeurig in de loop van de tijd, een fenomeen dat bekend staat als drift. Modellen wijken af wanneer kenmerken in de gegevens uit de praktijk aanzienlijk afwijken van de trainingsgegevens die zijn gebruikt om ze samen te stellen. Operationele wijzigingen, trends, seizoensgebonden fluctuaties, nieuwe of stopgezette categorieën en andere factoren kunnen de samenstelling van uw gegevens wijzigen.
Levenscyclus van voorspellingsmodel
Als u wilt voorkomen dat uw modellen uit de koers raken en op schema blijven, implementeert u de levenscyclus van het model, die continue en herhalende operationele taken omvat.
| Fase | Beschrijving |
|---|---|
| Plan | Ontwerp de eerste of de volgende versie van het voorspellingsmodel. Definieer of verfijn het voorspellingsdoel (uitvoer) en de modelvoorzieningen (invoer) van het model. |
| Samenstellen | Vul de trainingsgegevens in Data 360 in. Stel in Modelsamensteller een versie van het voorspellingsmodel samen. |
| Integreren | Test, integreer en activeer het voorspellingsmodel in uw oplossing. |
| Verbruiken en handelen | Vraag in productie de uitvoer (voorspellingen, voorschriften en belangrijkste factoren) van het voorspellingsmodel aan en verbruik deze. Gebruik voorspellende intelligentie om betere beslissingen te nemen en acties te ondernemen die bedrijfsresultaten verbeteren. |
| Monitor | Bewaak de kwaliteit van de uitvoer van het voorspellingsmodel. Meet prestaties, beoordeel de kwaliteit van het model, beoordeel kwaliteitswaarschuwingen en identificeer verbeteropportunities. |
Verfijning door herhalingen en continue verbetering
Modelimplementatie is een herhalend proces in plaats van een lineair proces. Modelsamensteller is ontworpen voor snelle verkenning, experimenten en implementatie. U doet kennis op terwijl u vordert. Bij elke stap gebruikt u ingebouwde feedback om uw resultaten te controleren, uw aannames te controleren, nieuwe vragen te stellen, aanpassingen aan te brengen en het opnieuw te proberen. Voeg een kolom toe aan uw trainingsgegevens. Wijzig modelinstellingen. Los waarschuwingen op, verfijn drempelwaarden en filter gegevens. Terwijl u uw benadering telkens fijner afstemt, kan elke verbetering u helpen betere operationele resultaten te bereiken.
