आगे आने वाले मॉडल बनाएं

यह उदाहरण एक पूर्वानुमान AI मॉडल बनाता है जो ऑनलाइन शॉपर इंटेंशन तालिका का उपयोग करता है। Power Apps Microsoft Dataverse इस नमूना डेटा को अपने Microsoft Power Platform पर्यावरण में प्राप्त करने के लिए, नमूना ऐप्स और डेटा परिनियोजित करें सेटिंग को सक्षम करें जब आप में मॉडल बनाएँ में वर्णित अनुसार परिवेश बनाते हैं AI Builder. या, डेटा तैयारी में दिए गए अधिक विस्तृत निर्देशों का पालन करें। आपका नमूना डेटा Dataverse में होने के बाद, अपना मॉडल बनाने के लिए इन चरणों का पालन करें।

1. Power Apps या Power Automate में लॉग इन करें.

2. बाएँ फलक पर, ... अधिक >AI हब का चयन करें.

3. AI क्षमता खोजें के अंतर्गत, AI मॉडल चुनें.

   (वैकल्पिक) आसान पहुंच के लिए AI मॉडल को स्थायी रूप से मेनू पर रखने के लिए, पिन आइकन का चयन करें।

4. पूर्वानुमान चुनें - ऐतिहासिक डेटा से भविष्य के परिणामों की भविष्यवाणी करें।

5. कस्टम मॉडल बनाएं चुनें.

अपना ऐतिहासिक परिणाम चुनें

उस भविष्यवाणी के बारे में सोचें जो आप करना चाहते हैं। AI Builder उदाहरण के लिए, "क्या यह ग्राहक छोड़ देगा?" प्रश्न के लिए, इस तरह के प्रश्नों के बारे में सोचें:

• वह तालिका कहां है जिसमें ग्राहक परिवर्तन के बारे में जानकारी है?
• क्या वहां ऐसा कोई कॉलम है जो स्पष्ट रूप से बताता हो कि ग्राहक ने खरीदारी छोड़ दी है या नहीं?
• क्या किसी कॉलम में ऐसी अज्ञात बातें हैं जो अनिश्चितता का कारण बन सकती हैं?

अपना चयन करने के लिए इस जानकारी का उपयोग करें। उपलब्ध कराए गए नमूना डेटा के साथ काम करते हुए, सवाल यह है कि "क्या मेरे ऑनलाइन स्टोर से इंटरैक्ट करने वाले इस उपयोगकर्ता ने कोई खरीदारी की?" यदि उन्होंने खरीदारी की है, तो उस ग्राहक को राजस्व मिलना चाहिए। इसलिए, इस ग्राहक के लिए राजस्व है या नहीं, यह ऐतिहासिक परिणाम होना चाहिए। जहां भी यह जानकारी रिक्त है, वहां यह आपको पूर्वानुमान लगाने में मदद कर सकती है। AI Builder

1. तालिका ड्रॉपडाउन मेनू में, वह तालिका चुनें जिसमें वह डेटा और परिणाम हो जिसका आप पूर्वानुमान लगाना चाहते हैं। नमूना डेटा के लिए, ऑनलाइन शॉपर इरादा चुनें।

2. कॉलम ड्रॉपडाउन मेनू में, वह कॉलम चुनें जिसमें परिणाम शामिल है। नमूना डेटा के लिए, राजस्व (लेबल) चुनें. या, यदि आप किसी संख्या का पूर्वानुमान लगाना चाहते हैं, तो ExitRates का चयन करें।

3. यदि आपने कोई विकल्प सेट चुना है जिसमें दो या अधिक परिणाम हैं, तो उसे "हां" या "नहीं" पर मैप करने पर विचार करें, क्योंकि आप यह पूर्वानुमान लगाना चाहते हैं कि क्या कुछ घटित होगा।

4. यदि आप एकाधिक परिणामों की भविष्यवाणी करना चाहते हैं, तो नमूने में ब्राज़ीलियाई ई-कॉमर्स डेटासेट का उपयोग करें, और तालिका ड्रॉपडाउन मेनू में BC ऑर्डर का चयन करें और कॉलम ड्रॉपडाउन मेनू में डिलीवरी टाइमलाइन का चयन करें।

नोट

AI Builder परिणाम कॉलम के लिए इन डेटा प्रकारों का समर्थन करता है:

• हां/नहीं
• विकल्पों
• पूर्णांक
• दशमलव संख्या
• फ़्लोटिंग प्वॉइंट संख्या
• मुद्रा

अपने मॉडल को प्रशिक्षित करने के लिए डेटा कॉलम चुनें

जब आप तालिका और स्तंभ का चयन कर लें और अपना परिणाम मैप कर लें, तो आप मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा स्तंभों में परिवर्तन कर सकते हैं। डिफ़ॉल्ट रूप से, सभी प्रासंगिक कॉलम चयनित होते हैं. आप उन स्तंभों का चयन रद्द कर सकते हैं जो कम सटीक मॉडल में योगदान दे सकते हैं। यदि आप नहीं जानते कि यहां क्या करना है, तो चिंता न करें। AI Builder हम उन स्तंभों को खोजने का प्रयास करेंगे जो सर्वोत्तम मॉडल उपलब्ध कराते हैं। नमूना डेटा के लिए, सब कुछ वैसे ही छोड़ दें और अगला चुनें।

डेटा कॉलम चयन संबंधी विचार

यहां पर विचार करने वाली सबसे महत्वपूर्ण बात यह है कि क्या कोई कॉलम, जो आपका ऐतिहासिक परिणाम कॉलम नहीं है, अप्रत्यक्ष रूप से परिणाम से निर्धारित होता है।

मान लीजिए कि आप यह पूर्वानुमान लगाना चाहते हैं कि शिपमेंट में देरी होगी या नहीं। आपके डेटा में वास्तविक डिलीवरी की तारीख हो सकती है। यह तारीख केवल ऑर्डर डिलीवर होने के बाद ही मौजूद होती है। इसलिए, यदि आप इस कॉलम को शामिल करते हैं, तो मॉडल की सटीकता लगभग 100 प्रतिशत होगी। जिन ऑर्डरों का आप पूर्वानुमान लगाना चाहते हैं, वे अभी तक वितरित नहीं हुए होंगे, तथा उनमें वितरण तिथि कॉलम नहीं भरा होगा। इसलिए, आपको प्रशिक्षण से पहले इस तरह से कॉलम का चयन रद्द कर देना चाहिए। मशीन लर्निंग में, इसे लक्ष्य रिसाव या डेटा रिसाव कहा जाता है। AI Builder उन स्तंभों को फ़िल्टर करने का प्रयास करता है जो "सच होने के लिए बहुत अच्छे हैं", लेकिन आपको फिर भी उन्हें जांचना चाहिए।

नोट

जब आप डेटा फ़ील्ड का चयन कर रहे होते हैं, तो कुछ डेटा प्रकार - जैसे छवि, जिसका उपयोग मॉडल को प्रशिक्षित करने के लिए इनपुट के रूप में नहीं किया जा सकता - नहीं दिखाए जाते हैं। इसके अतिरिक्त, सिस्टम कॉलम जैसे Created On को डिफ़ॉल्ट रूप से बाहर रखा जाता है।

संबंधित तालिकाओं से डेटा का उपयोग करें

यदि आपके पास संबंधित तालिकाएं हैं जो पूर्वानुमान के प्रदर्शन को बेहतर बना सकती हैं, तो आप उन्हें भी शामिल कर सकते हैं। जैसा कि आपने तब किया था जब आप यह अनुमान लगाना चाहते थे कि कोई ग्राहक ग्राहक छोड़ देगा या नहीं, आपको अतिरिक्त जानकारी शामिल करनी चाहिए जो एक अलग तालिका में हो सकती है। AI Builder इस समय अनेक-से-एक संबंधों का समर्थन करता है।

अपना डेटा फ़िल्टर करें

प्रशिक्षण के लिए डेटा कॉलम चुनने के बाद, आप अपने डेटा को फ़िल्टर कर सकते हैं. आपकी तालिकाओं में सभी पंक्तियाँ होंगी. हालाँकि, आप पंक्तियों के एक उपसमूह पर प्रशिक्षण और भविष्यवाणी पर ध्यान केंद्रित करना चाह सकते हैं। यदि आपको पता है कि जिस तालिका का उपयोग आप मॉडल को प्रशिक्षित करने के लिए कर रहे हैं, उसमें अप्रासंगिक डेटा है, तो आप उसे फ़िल्टर करने के लिए इस चरण का उपयोग कर सकते हैं।

उदाहरण के लिए, यदि आप केवल अमेरिकी क्षेत्र को देखने के लिए फ़िल्टर लागू करते हैं, तो मॉडल उन पंक्तियों पर प्रशिक्षित होगा जहां परिणाम केवल अमेरिकी क्षेत्र के लिए ज्ञात है। जब इस मॉडल को प्रशिक्षित किया जाता है, तो यह केवल उन पंक्तियों के लिए पूर्वानुमान करेगा जहां परिणाम केवल अमेरिकी क्षेत्र के लिए ज्ञात नहीं है।

फ़िल्टरिंग का अनुभव दृश्य संपादक जैसा ही है. Power Apps जोड़कर शुरू करें:

• एक पंक्ति, जिसमें एक एकल फ़िल्टर शर्त शामिल है.
• एक समूह, जो आपको अपनी फ़िल्टर शर्तों को नेस्ट करने की अनुमति देता है।
• एक संबंधित तालिका, जो आपको संबंधित तालिका पर फ़िल्टर शर्त बनाने की अनुमति देती है.

वह कॉलम, ऑपरेटर और मान चुनें जो फ़िल्टर शर्त को दर्शाता है. आप पंक्तियों को समूहीकृत करने या पंक्तियों को सामूहिक रूप से हटाने के लिए चेकबॉक्स का उपयोग कर सकते हैं।

अगला कदम

अपने पूर्वानुमान मॉडल को प्रशिक्षित करें और प्रकाशित करें