Importez un modèle d'apprentissage automatique entièrement entraîné dans une application Planning afin de préparer son usage par des utilisateurs professionnels.
Prérequis : pour que le modèle d'apprentissage automatique soit importable, l'équipe de science des données doit le créer, l'exercer et l'enregistrer en tant que fichier PMML.
Pour importer un modèle d'apprentissage automatique vers une application Planning, procédez comme suit :
Sur la page Importer le modèle, vous pouvez consulter des informations sur le fichier PMML, telles que la colonne cible (variable à prévoir à l'aide du modèle d'apprentissage automatique) et la date d'exercice.
Dans Mapping de modèle, sélectionnez le cube dans lequel le modèle d'apprentissage automatique sera utilisé, et définissez la portée des données dans lesquelles utiliser le modèle en sélectionnant un membre ou un ensemble de membres dans chaque dimension.
Les sections Entrée et Sortie contiennent la liste des caractéristiques d'entrée (caractéristiques/colonnes utilisées pour réaliser les prévisions) et la caractéristique cible (colonne à prévoir). Planning analyse le fichier PMML pour générer la liste des entrées et des sorties.
Les caractéristiques d'entrée sont des variables indépendantes, semblables aux inducteurs, qui font office d'entrées sur votre système. Lorsque vous réalisez des prévisions, le modèle utilise les caractéristiques d'entrée pour prévoir la sortie. A cette étape, vous mappez l'entrée du modèle d'apprentissage automatique avec la sortie du cube Planning. L'entrée décrit la méthode d'extraction des données du modèle d'apprentissage automatique. La sortie définit la mesure cible à prévoir et l'emplacement de collage des valeurs prévues dans l'application Planning.
Par exemple, les caractéristiques d'entrée Produit, Prix et Secteur peuvent être utilisées pour prévoir la sortie Volume.
Dans la zone Entrée, pour chaque caractéristique d'entrée, sélectionnez un type d'entrée et, si vous sélectionnez Valeur de cellule ou Membre, sélectionnez les membres ou les dimensions de l'application Planning avec lesquels effectuer le mapping. Types d'entrée :
Dans la zone Sortie, sélectionnez un type d'entrée et, si vous sélectionnez Valeur de cellule ou Membre, sélectionnez les membres ou les dimensions de l'application Planning avec lesquels effectuer le mapping pour stocker les résultats de prévision.
Cette étape représente l'explicabilité de l'apprentissage automatique et extrait des informations supplémentaires sur le modèle d'apprentissage automatique. Par exemple, examinez les coefficients de régression pour savoir comment l'impact relatif des caractéristiques d'entrée clés est utilisé pour prévoir la sortie. La hauteur de la barre représente l'effet incrémentiel de l'augmentation d'une unité dans une caractéristique d'entrée sur la variable cible.
Deux règles Groovy sont générées pour chaque définition de modèle d'apprentissage automatique :
ML_MLModelName_Form
: utilisez cette règle pour l'associer à un formulaire ou à un tableau de bord, ce qui permet aux utilisateurs de réaliser des prévisions à la demande.ML_MLModelName
: utilisez cette règle pour générer des prévisions à grande échelle dans un job planifié à des fins de traitement en bloc.Vous pouvez consulter les règles générées dans Calculation Manager. Les règles Groovy définissent le nom et l'emplacement du fichier PMML, ainsi que l'entrée et la sortie selon le mapping que vous avez défini. Pour plus d'informations sur l'utilisation de ces règles Groovy générées, reportez-vous à la section Déploiement d'un modèle d'apprentissage automatique pour les planificateurs.
Tutoriels
Les tutoriels fournissent des instructions avec des vidéos dans l'ordre et de la documentation pour vous aider à explorer une rubrique.
Votre objectif | Comment procéder ? |
---|---|
Découvrir comment importer un modèle d'apprentissage automatique entraîné et le déployer vers une application Planning. Les planificateurs peuvent ainsi s'appuyer sur de solides prévisions basées sur l'apprentissage automatique utilisant des techniques de modélisation prédictive avancées pour générer des prévisions plus précises. | ![]() |