Einführung
Der Cashflow eines Unternehmens ist ein guter Indikator für seine Zahlungsfähigkeit und kann zeigen, ob das Unternehmen seinen finanziellen Verpflichtungen rechtzeitig nachkommen kann. Microsoft Dynamics 365 Business Central bietet Tools, mit denen Unternehmen ihren Cashflow analysieren können. Sie analysieren dazu historische Daten, um Vorhersagen für zukünftige Perioden zu treffen. Dieses Modul erklärt die Eigenschaft Cashflow-Planung, ein erweitertes Berichterstellungstool, das Microsoft Azure Machine Learning verwenden kann, um verschiedene Szenarien zu modellieren und Ihnen Einblicke in die zu erwartenden Ereignisse zu geben.
Das Modul zeigt zunächst, wie Sie mithilfe von Microsoft Azure-KI Cashflow-Planungen einrichten können. Als Nächstes erfahren Sie, wie Sie Ihren eigenen prädiktiven Webdienst für Cashflow-Planungen verwenden.
Machine Learning ist ein Data Science-Verfahren, mit dem Computer aus vorhandenen Daten lernen können, um zukünftiges Verhalten, Ergebnisse und Trends vorherzusagen. Mithilfe von Machine Learning können Computer lernen, ohne explizit programmiert worden zu sein.
Die Hauptkomponenten des Dienstes und der allgemeine Arbeitsablauf für die Verwendung des Dienstes sind in der folgenden Abbildung dargestellt.
Der Azure Machine Learning-Modellworkflow folgt im Allgemeinen dieser Reihenfolge:
Trainieren – Helfen Sie der Maschine beim Lernen.
Entwickeln Sie Schulungsskripte für Machine Learning in Python, R oder mit dem visuellen Designer.
Erstellen und konfigurieren Sie ein Computeziel.
Senden Sie die Skripte an ein konfiguriertes Rechenziel, um sie in dieser Umgebung auszuführen. Während des Trainings können die Skripte aus Datenspeichern lesen oder in diese schreiben. Die während des Trainings erstellten Protokolle und Ausgaben werden als Ausführungen im Arbeitsbereich gespeichert und dann unter Experimenten gruppiert.
Verpacken – Nachdem eine zufriedenstellende Ausführung gefunden wurde, registrieren Sie das persistierte Modell in der Modellregistrierung.
Validieren – Fragen Sie das Experiment nach protokollierten Metriken aus den aktuellen und vergangenen Ausführungen ab. Wenn die Metriken kein gewünschtes Ergebnis anzeigen, kehren Sie zu Schritt 1 zurück und wiederholen Sie Ihre Skripte.
Bereitstellen – Entwickeln Sie ein Bewertungsskript, das das Modell verwendet, und stellen Sie das Modell dann als Webdienst in Azure oder auf einem IoT Edge-Gerät bereit.
Überwachen – Überwachen Sie die Datenvariation zwischen dem Trainingsdatensatz und den Inferenzdaten eines bereitgestellten Modells. Kehren Sie bei Bedarf zu Schritt 1 zurück, um das Modell mit neuen Trainingsdaten zu trainieren.