Importieren Sie ein vollständig trainiertes ML-Modell in eine Planning-Anwendung, um die Verwendung durch Geschäftsbenutzer vorzubereiten.
Voraussetzung: Bevor Sie das ML-Modell importieren können, muss das Data Science-Team das ML-Modell erstellen, trainieren und als PMML-Datei speichern.
So importieren Sie ein ML-Modell in eine Planning-Anwendung:
Auf der Seite Modell importieren werden Informationen zur PMML-Datei angezeigt, z.B. die Zielspalte (die Variable für die Prognose mit dem ML-Modell) und das Trainingsdatum.
Wählen Sie unter Modellzuordnung den Cube aus, in dem das ML-Modell verwendet wird, und definieren Sie den Datenbereich, in dem das ML-Modell verwendet werden soll, indem Sie ein Element oder eine Gruppe von Elementen aus jeder Dimension auswählen.
Die Abschnitte Eingabe und Ausgabe enthalten eine Liste mit Eingabefunktionen (Funktionen/Spalten, die für Prognosen verwendet werden) und Zielfunktion (Spalte mit dem erwarteten Prognosewert). Planning analysiert die PMML-Datei, um die Liste mit Ein- und Ausgaben zu generieren.
Eingabefunktionen sind unabhängige Variablen, vergleichbar mit Treibern, die als Eingabe für Ihr System fungieren. Wenn Sie Vorhersagen treffen, verwendet das Modell Eingabefunktionen, um Ihre Ausgabe vorherzusagen. In diesem Schritt ordnen Sie die Eingabe aus dem ML-Modell der Ausgabe im Planning-Cube zu. Unter Eingabe wird beschrieben, wie Sie die Daten aus dem ML-Modell extrahieren. Unter Ausgabe wird die Zielkennzahl definiert, die Sie vorhersagen möchten. Außerdem wird festgelegt, wo die Prognosewerte in der Planning-Anwendung eingefügt werden sollen.
Beispiel: Die Eingabefunktionen für Produkt, Preis und Branchenvolumen können für die Vorhersage des Volumens (in diesem Fall die Ausgabe) verwendet werden.
Wählen Sie im Bereich Eingabe für jede Eingabefunktion einen Eingabetyp aus. Wenn Sie Zellenwert oder Element auswählen, wählen Sie in der Planning-Anwendung die Elemente oder Dimensionen für die Zuordnung aus. Eingabetypen:
Wählen Sie im Bereich Ausgabe einen Eingabetyp aus. Wenn Sie Zellenwert oder Element auswählen, wählen Sie in der Planning-Anwendung die Elemente oder Dimensionen für die Zuordnung aus, um die Ergebnisse der Vorhersagen zu speichern.
In diesem Schritt wird MLX (Machine Learning Explainability) abgebildet. Dabei werden zusätzliche Informationen zum ML-Modell extrahiert. Beispiel: Prüfen Sie die Regressionskoeffizienten, um festzustellen, wie die relative Auswirkung wichtiger Eingabefunktionen für die Vorhersage der Ausgabe verwendet wird. Die Höhe des Balkens stellt den inkrementellen Effekt einer Erhöhung der Eingabefunktion um eine Einheit auf die Zielvariable dar.
Für jede ML-Modelldefinition werden zwei Groovy-Regeln generiert:
ML_MLModelName_Form
: Mit dieser Regel können Sie eine Verknüpfung zu einem Formular oder Dashboard herstellen, damit Benutzer Vorhersagen nach Bedarf treffen können.ML_MLModelName
: Mit dieser Regel können Sie Vorhersagen in großem Maßstab in einem geplanten Job für die Massenverarbeitung generieren.Sie können die generierten Regeln in Calculation Manager prüfen. Die Groovy-Regeln definieren den Namen und den Speicherort der PMML-Datei sowie Ein- und Ausgabe basierend auf der festgelegten Zuordnung. Weitere Informationen zur Verwendung dieser generierten Groovy-Regeln finden Sie unter ML-Modelle für Planer bereitstellen.
Tutorials
Tutorials enthalten Anleitungen mit sequenzierten Videos und entsprechender Dokumentation, damit Sie sich mit einem Thema vertraut machen können.
Ihr Ziel | Weitere Informationen |
---|---|
Erfahren Sie, wie Sie ein vollständig trainiertes ML-Modell importieren und für eine Planning-Anwendung bereitstellen. Planer können dann eine stabile, ML-basierte Prognose nutzen, bei der fortschrittliche Techniken für die Vorhersagemodellierung zum Einsatz kommen, um exaktere Prognosen zu erstellen. | ![]() |