Importare un modello di apprendimento automatico completamente addestrato in un'applicazione di Planning per prepararlo all'uso da parte degli utenti aziendali.
Prerequisito: prima di importare il modello di apprendimento automatico, il team di data science deve creare, addestrare e salvare il modello di apprendimento automatico come file PMML.
Per importare un modello di apprendimento automatico in un'applicazione Planning:
Nella pagina Importa modello, è possibile visualizzare informazioni sul file PMML, come la colonna target (la variabile da prevedere usando il modello di apprendimento automatico) e la data dell'addestramento.
In Mapping modello, selezionare il cubo in cui verrà utilizzato il modello di apprendimento automatico e definire l'ambito dei dati in cui usare tale modello, selezionando un membro o una serie di membri da ciascuna dimensione.
Le sezioni Input e Output contengono l'elenco delle funzioni di input (funzioni/colonne utilizzate per fare previsioni) e funzioni target (colonna per cui deve essere fatta una previsione). Planning analizza il file PMML per generare l'elenco di input e output.
Le funzioni di input sono variabili indipendenti, simili ai driver, che fungono da input per il sistema. Quando vengono fatte delle previsioni, il modello utilizza le funzioni di input per prevedere l'output dell'utente. In questo passaggio, l'utente mappa l'input dal modello di apprendimento automatico sull'output nel cubo di Planning. Input descrive come estrarre i dati dal modello di apprendimento automatico. Output definisce la misura target che si desidera prevedere e dove incollare i valori previsti nell'applicazione di Planning.
Ad esempio, prodotto, prezzo e volume di settore, ovvero le funzioni di input, possono essere utilizzate per prevedere il volume, l'output.
Nell'area Input, per ogni funzione di input selezionare un Tipo di input e se si seleziona Valore cella o Membro, selezionare i membri o le dimensioni nell'applicazione di Planning su cui eseguire il mapping. Tipi di input:
Nell'area Output, selezionare un Tipo di input e se si seleziona Valore cella o Membro, selezionare i membri o le dimensioni nell'applicazione di Planning su cui eseguire il mapping per memorizzare i risultati della previsione.
Questo passaggio rappresenta la MLX (Machine Learning Explainability), ed estrae ulteriori informazioni relative al modello di apprendimento automatico. Ad esempio, rivedere i coefficienti di regressione per individuare in che modo l'impatto relativo di funzioni di input chiave viene utilizzato per prevedere l'output. L'altezza della barra rappresenta l'effetto incrementale dell'aumento di un'unità in una funzione di input nella variabile target.
Vengono generate due regole Groovy per ogni definizione di modello di apprendimento automatico:
ML_NomeModelloML_Form
: utilizzare questa regola per l'associazione a un form o a un dashboard, il che consentirà agli utenti di effettuare previsioni su richiesta.ML_MLModelName
: utilizzare questa regola per generare previsioni su larga scala in un job programmato per l'elaborazione di massa.È possibile rivedere le regole generate in Calculation Manager. Le regole Groovy definiscono il nome e la posizione del file PMML, assieme all'input e all'output in base al mapping definito. Per ulteriori informazioni su come utilizzare queste regole Groovy generate, fare riferimento a Distribuzione di un modello di apprendimento automatico ai responsabili della pianificazione.
Esercitazioni
Le esercitazioni consentono di apprendere un argomento mediante istruzioni accompagnate da video in sequenza e documentazione specifica.
Obiettivo | Istruzioni |
---|---|
Imparare a importare un modello di apprendimento automatico completamente preconfigurato e distribuirlo in un'applicazione Planning. I responsabili della pianificazione possono quindi avvalersi di una previsione affidabile basata sull'apprendimento automatico che utilizza tecniche avanzate di modellazione predittiva per generare previsioni più accurate. | ![]() |