独自のMLの持込みによって、EPM管理者は、完全にトレーニングされた機械学習(ML)モデルをインポートしてフリーフォーム・アプリケーションにデプロイできます。プランナは、高度な予測モデリング手法を使用してより正確な予測を生成する、堅牢なMLベースの予測を活用できます。
データ・サイエンティストは、ビジネスの問題に関連する履歴データを収集して準備し、アルゴリズムをトレーニングし、サード・パーティ・ツールを使用してPMML (予測モデルを表すために使用する標準言語である予測モデル・マークアップ言語)ファイルを生成します。これらの予測分析モデルおよび機械学習モデルは、統計手法またはMLアルゴリズムを使用して、大量の履歴データに隠れたパターンを学習します。予測分析モデルは、トレーニング中に取得した知識を使用して、新しいデータ内の既知のパターンの存在を予測します。
EPM管理者は、完全にトレーニングされたMLモデルをインポートして構成できます。これにより、2つのGroovyルールが生成されます。管理者は、ルールをフォームまたはダッシュボードに添付するか、定期的に予測結果を生成するようにジョブをスケジュールします。これにより、機械学習の利点およびデータ・サイエンスの力をビジネス・ユーザーが活用できるようになり、プランニングおよび予算策定のプロセスが強化され、ビジネス上の意思決定が改善されます。
たとえば、平均販売価格、宣伝広告に対する計画済費用、履歴ボリューム、推定業界ボリュームなどのキー・ドライバを使用して、エンティティの製品ボリュームを予測できます。
MLモデルをインポートし、それらを使用して他の財務ユース・ケースの数値を予測できます。次に例を示します:
ステップの概要
前提条件: データ・サイエンティストは、データ・サイエンス・ツール(サード・パーティ・ツールまたはOracle Data Science Cloud)でMLモデルを構築してトレーニングし、PMMLファイルとして保存します。
次に、EPM管理者は、トレーニングされたモデルからビジネス価値を得られるようにモデルを機能させます:
管理者は、MLモデルをPMMLフォーマットでフリーフォーム・アプリケーションにインポートし、入力変数とターゲット変数がフリーフォーム・アプリケーションのディメンション・メンバーまたはセル値にどのようにマップされるかを定義します。このステップにより、MLモデルをフリーフォーム・アプリケーションに接続する自動Groovyルールが生成されます。MLモデル定義ごとに2つのGroovyルールが生成されます。1つはフォームまたはダッシュボードに関連付けるルールで、ユーザーはオンデマンドで予測を行うことができます。もう1つは、一括処理用のスケジュール済ジョブで大規模な予測を生成します。MLモデルのインポートを参照してください。
これは反復プロセスです。プランナはMLモデルに基づいて予測を行うため、管理者はモデルのパフォーマンスを測定し、データ・サイエンティストと連携して、必要に応じてMLモデルを更新または置換できます。次に、管理者は再トレーニングされたMLモデルを再インポートしてデプロイします。
再トレーニングされたMLモデルを再インポートすると、Groovyルールが再生成されます。
ビデオ
目的 | 視聴 |
---|---|
この概要では、独自のML (機械学習)の持込みについて紹介します。EPM管理者は、完全にトレーニングされたMLモデルをインポートして、フリーフォーム・アプリケーションにデプロイできます。プランナは、高度な予測モデリング手法を使用してより正確な予測を生成する、堅牢なMLベースの予測を活用できます。 | 概要: 独自の機械学習(ML)の持込み |
独自の機械学習の持込み向けにMLモデルのインポートを構成する方法を学習します。完全にトレーニングされたMLモデルをフリーフォームにインポートします。ウィザードのステップに従って、モデルをマップ、分析およびテストします。モデルを保存すると、2つのGroovyルールが作成されます。統合プロセスを完了するには、MLモデルをフリーフォームにデプロイするための関連ビデオを参照してください。 |
機械学習(ML)モデルのインポートの構成 |
MLモデルをフリーフォームにデプロイする方法を学習します。MLモデル・インポートを構成したら、構成したMLモデルから生成されたGroovyルールを使用してアクション・メニューを作成して、PMMLファイルをアプリケーションに統合します。その後、アクション・メニューをフォームに関連付けます。プランナがフォームからルールを実行すると、予測値のセットがルールによって返されます。 |