예측 모델 만들기
이 예에서는 Microsoft Dataverse의 Online Shopper Intention 테이블을 사용하는 Power Apps 예측 AI 모델을 만듭니다. 이 샘플 데이터를 Microsoft Power Platform 환경으로 가져오려면 AI Builder에서 모델 만들기에 설명된 대로 환경을 만들 때 샘플 앱과 데이터 배포 설정을 활성화하십시오. 또는 데이터 준비의 자세한 지침을 따릅니다. 샘플 데이터가 Dataverse에 있으면 다음 단계에 따라 모델을 만듭니다.
Power Apps 또는 Power Automate에 로그인합니다.
왼쪽 창에서 ... 더보기>AI 허브를 선택합니다.
AI 기능 검색에서 AI 모델을 선택합니다.
(선택 사항) 쉽게 액세스할 수 있도록 AI 모델을 메뉴에 영구적으로 유지하려면 핀 아이콘을 선택합니다.
예측 - 과거 데이터에서 미래 결과 예측을 선택합니다.
사용자 지정 모델 만들기를 선택합니다.
기록된 결과를 선택합니다
AI Builder가 해주길 바라는 예측을 생각해 봅니다. 예를 들면, "이 고객이 이탈할 것인가?"라는 질문에 대해 다음과 같은 질문을 생각해 보십시오.
- 고객 변동에 대한 정보를 포함하는 테이블은 어디에 있나요?
- 고객이 변동되었는지 여부를 구체적으로 명시하는 열이 있나요?
- 불확실성이 발생할 수 있는 열에 알려지지 않은 사항이 있나요?
이 정보를 사용하여 원하는 항목을 선택합니다. 제공된 샘플 데이터를 사용할 때 질문은 “온라인 스토어와 상호 작용한 이 사용자가 구매했나요?”입니다. 그렇다면 해당 고객에 대한 수익이 있어야 합니다. 따라서 이 고객에 대한 수익이 있는지 여부는 기록된 결과여야 합니다. 이 정보가 비어 있으면 AI Builder가 예측할 수 있도록 도움을 줄 수 있습니다.
표 드롭다운 메뉴에서 예측할 데이터와 결과가 포함된 표를 선택합니다. 샘플 데이터의 경우 온라인 쇼핑객 의도를 선택합니다.
열 드롭다운 메뉴에서 결과가 포함된 열을 선택합니다. 샘플 데이터의 경우 수익(레이블)을 선택합니다. 또는 숫자 예측을 시도하려는 경우 ExitRates를 선택합니다.
결과를 두 개 이상 포함하는 옵션 세트를 선택한 경우 어떤 일이 발생할지 여부를 예측하기 위해 "예" 또는 "아니오"로 매핑하는 것이 좋습니다.
여러 결과를 예측하려면 샘플에 있는 브라질 전자상거래 데이터세트를 사용하고, 표 드롭다운 메뉴에서 BC 주문과 열 드롭다운 메뉴에 있는 배송 일정을 선택합니다.
참고
AI Builder는 결과 열에 대해 다음 데이터 유형을 지원합니다.
- 예/아니요
- Choices
- 정수
- 10진수
- 부동 소수점 수
- 통화
모델을 학습시킬 데이터 열 선택
테이블 및 열을 선택하고 결과를 매핑한 후 모델 학습에 사용되는 데이터 열을 변경할 수 있습니다. 기본적으로 모든 관련 열이 선택됩니다. 덜 정확한 모델에 기여할 수 있는 열을 선택 취소할 수 있습니다. 여기서 무엇을 해야 할지 몰라도 걱정하지 마십시오. AI Builder는 가능한 최상의 모델을 제공하는 컬럼을 찾기 위해 노력할 것입니다. 샘플 데이터의 경우 모든 항목을 그대로 유지하고 다음을 선택하면 됩니다.
데이터 열 선택 고려 사항
여기서 고려해야 할 가장 중요한 점은 기록 결과 열이 아닌 열이 결과에 의해 간접적으로 결정되는지 여부입니다.
배송이 지연될지 여부를 예측하려는 경우를 살펴봅니다. 데이터에 실제로 배달된 날짜가 있을 수 있습니다. 이 날짜는 주문이 배달된 후에만 표시됩니다. 따라서 이 열을 포함하면 모델은 100%에 가까운 정확도를 갖게 됩니다. 예측하려는 주문은 아직 배달되지 않았고 배달된 날짜 열이 채워지지 않습니다. 따라서 학습 전에 이와 같은 열을 선택 취소해야 합니다. 머신 러닝에서는 이것을 타겟 누출 또는 데이터 누출이라고 합니다. AI Builder는 "너무 좋아서 사실이 아닌" 열을 필터링하려고 시도하지만 여전히 확인해야 합니다.
노트
데이터 필드를 선택할 때 이미지와 같이 모델 학습을 위한 입력으로 사용할 수 없는 일부 데이터 형식은 표시되지 않습니다. 또한 만든 날짜와 같은 시스템 열은 기본적으로 제외됩니다.
관련 테이블의 데이터 사용
예측 성능을 향상시킬 수 있는 관련 테이블이 있는 경우 해당 테이블도 포함할 수 있습니다. 고객 이탈 여부를 예측할 때와 마찬가지로 별도의 테이블에 있을 수 있는 추가 정보를 포함해야 합니다. AI Builder는 현재 다대일 관계를 지원합니다.
데이터 필터
학습을 위해 데이터 열을 선택한 후 데이터를 필터링할 수 있습니다. 테이블에는 모든 행이 포함됩니다. 그러나 행의 하위 집합에 대한 학습 및 예측에 집중하기를 원할 수도 있습니다. 모델을 학습하는 데 사용하는 것과 동일한 테이블 내에 관련이 없는 데이터가 있는 경우 이 단계를 사용하여 필터링할 수 있습니다.
예를 들어 미국 지역만 확인하는 필터를 적용하는 경우 모델은 미국 지역에 대해서만 결과가 알려진 행을 학습합니다. 이 모델이 학습되면 미국 지역에 대해서만 결과가 알려지지 않은 행에 대한 예측만 수행합니다.
필터링 환경은 Power Apps 뷰 편집기와 동일합니다. 먼저 다음을 추가합니다.
- 단일 필터 조건을 포함하는 행.
- 필터 조건을 중첩할 수 있는 그룹.
- 관련 테이블에 대한 필터 조건을 만들 수 있는 관련 테이블.
열, 연산자 및 필터 조건을 나타내는 값을 선택합니다. 확인란을 사용하여 행을 그룹화하거나 행을 대량 삭제할 수 있습니다.