Nota
L'accés a aquesta pàgina requereix autorització. Pots provar d'iniciar sessió o canviar de directori.
L'accés a aquesta pàgina requereix autorització. Pots provar de canviar directoris.
Aquest exemple crea un model d'IA de predicció que utilitza la taula d'intencions del comprador en línia Power Apps . Microsoft Dataverse Per obtenir aquestes dades d'exemple al vostre Microsoft Power Platform entorn, activeu l'opció Implementa aplicacions i dades d'exemple quan creeu un entorn tal com es descriu a Crea un model a AI Builder. O bé, seguiu les instruccions més detallades a Preparació de dades. Després que les dades de mostra siguin a Dataverse, seguiu aquests passos per crear el model.
Inicia la sessió a Power Apps o Power Automate.
Al panell esquerre, seleccioneu ... Més>Centre d'IA.
A Descobreix una capacitat d'IA, selecciona Models d'IA.
(Opcional) Per mantenir els models d'IA permanentment al menú i accedir-hi fàcilment, seleccioneu la icona de la xinxeta.
Seleccioneu Predicció: prediu els resultats futurs a partir de dades històriques.
Seleccioneu Crea un model personalitzat.
Seleccioneu el vostre resultat històric
Pensa en la predicció que vols fer. AI Builder Per exemple, per a la pregunta "Aquest client abandonarà la seva compra?", penseu en preguntes com aquestes:
- On és la taula que conté informació sobre la rotació de clients?
- Hi ha alguna columna que indiqui específicament si el client ha abandonat la compra?
- Hi ha incògnites en una columna que puguin causar incertesa?
Utilitzeu aquesta informació per fer les vostres seleccions. Treballant amb les dades de mostra proporcionades, la pregunta és "aquest usuari que ha interactuat amb la meva botiga en línia ha fet una compra?". Si ho ha fet, hi hauria d'haver ingressos per a aquest client. Per tant, el resultat històric hauria de ser si hi ha ingressos per a aquest client. Allà on aquesta informació està buida és on AI Builder us pot ajudar a fer una predicció.
Al menú desplegable Taula , seleccioneu la taula que conté les dades i el resultat que voleu predir. Per a les dades de mostra, seleccioneu Intenció de compra en línia.
Al menú desplegable Columna , seleccioneu la columna que conté el resultat. Per a les dades de mostra, seleccioneu Ingressos (etiqueta). O bé, si voleu provar de predir un nombre, seleccioneu ExitRates.
Si heu seleccionat un conjunt d'opcions que conté dos o més resultats, considereu assignar-lo a "Sí" o "No" perquè voleu predir si alguna cosa passarà.
Si voleu predir diversos resultats, utilitzeu el conjunt de dades de comerç electrònic brasiler a la mostra i seleccioneu BC Order al menú desplegable Taula i Terminis de lliurament al menú desplegable Columna .
Nota
AI Builder admet aquests tipus de dades per a la columna de resultats:
- Sí/No
- Selecció múltiple
- Número enter
- Nombre decimal
- Nombre de coma flotant
- Moneda
Seleccioneu les columnes de dades per entrenar el model
Després de seleccionar la Taula i la Columna i de mapejar el resultat, podeu fer canvis a les columnes de dades utilitzades per entrenar el model. Per defecte, totes les columnes rellevants estan seleccionades. Podeu desseleccionar columnes que puguin contribuir a un model menys precís. Si no saps què fer aquí, no et preocupis. AI Builder intentarà trobar columnes que proporcionin el millor model possible. Per a les dades d'exemple, deixeu-ho tot tal com està i seleccioneu Següent.
Consideracions sobre la selecció de columnes de dades
El més important a tenir en compte aquí és si una columna que no és la vostra columna de resultats històrics està determinada indirectament pel resultat.
Diguem que voleu predir si un enviament es retardarà. És possible que tinguis la data de lliurament real a les teves dades. Aquesta data només és present després que s'hagi lliurat la comanda. Per tant, si incloeu aquesta columna, el model tindrà una precisió propera al 100%. Les comandes que voleu predir encara no s'hauran lliurat i no tindran la columna de data de lliurament emplenada. Per tant, hauríeu de desseleccionar columnes com aquesta abans de l'entrenament. En l'aprenentatge automàtic, això s'anomena fuita d'objectius o fuita de dades. AI Builder intenta filtrar columnes que són "massa bones per ser veritat", però igualment les hauries de comprovar.
Nota
Quan seleccioneu camps de dades, alguns tipus de dades, com ara Imatge, que no es poden utilitzar com a entrada per entrenar el model, no es mostren. A més, les columnes del sistema com ara Creat el s'exclouen per defecte.
Utilitza dades de taules relacionades
Si teniu taules relacionades que puguin millorar el rendiment de la predicció, també les podeu incloure. Tal com vau fer quan volíeu predir si un client abandonarà els clients, hauríeu d'incloure informació addicional que podria estar en una taula separada. AI Builder admet relacions de molts a un en aquest moment.
Filtreu les vostres dades
Després de seleccionar les columnes de dades per a l'entrenament, podeu filtrar les dades. Les taules contindran totes les files. Tanmateix, és possible que vulgueu concentrar-vos en l'entrenament i la predicció d'un subconjunt de files. Si sabeu que hi ha dades irrellevants dins de la mateixa taula que esteu utilitzant per entrenar un model, podeu utilitzar aquest pas per filtrar-les.
Per exemple, si apliqueu un filtre per examinar només la regió dels EUA, el model s'entrenarà en files on el resultat només es coneix per a la regió dels EUA. Quan s'entrena aquest model, només farà una predicció per a les files on el resultat no es coneix només per a la regió dels EUA.
L'experiència de filtratge és la mateixa que a l'editor de Power Apps visualitzacions. Comenceu afegint:
- Una fila, que conté una única condició de filtre.
- Un grup que us permet imbricar les condicions del filtre.
- Una taula relacionada, que us permet crear una condició de filtre en una taula relacionada.
Seleccioneu la columna, l'operador i el valor que representa una condició de filtre. Podeu utilitzar les caselles de selecció per agrupar files o per suprimir-les de manera massiva.