Merk
Tilgang til denne siden krever autorisasjon. Du kan prøve å logge på eller endre kataloger.
Tilgang til denne siden krever autorisasjon. Du kan prøve å endre kataloger.
Dette eksemplet oppretter en Al-modell av en Power Apps-prediksjon som bruker tabellen Hensikt for nettbasert kjøp i Microsoft Dataverse. Hvis du vil hente disse eksempeldataene inn i Microsoft Power Platform-miljøet, aktiverer du innstillingen Distribuer eksempelapper og data når du oppretter et miljø slik det er beskrevet i Bygge en modell i AI Builder. Eller følg de mer detaljerte instruksjonene i Klargjøring av data. Når eksempeldataene er i Dataverse, følger du disse trinnene for å opprette modellen.
Logg deg på Power Apps eller Power Automate.
I den venstre ruten velger du ... Mer>Senter for kunstig intelligens.
Under Oppdag en KI-funksjon, velg KI-modeller.
(Valgfritt) Hvis du vil beholde KI-modeller permanent på menyen for enkel tilgang, velger du knappeikonet.
Velg Prediksjon – Forutse fremtidige resultater fra historiske data.
Velg Opprett egendefinert modell.
Velg det historiske resultatet
Tenk på prognosen du vil at AI Builder skal gjøre. For eksempel for spørsmålet «Mister vi denne kunden?» kan du tenke over spørsmål som dette:
- Hvor er tabellen som inneholder informasjon om kundefrafall?
- Er det en kolonne der som spesifikt sier om kunden har frafalt?
- Er det ukjente verdier i en kolonne som kan forårsake usikkerhet?
Bruk denne informasjonen til å gjøre valgene dine. Hvis du jobber med oppgitte eksempeldata, er spørsmålet «kjøpte denne brukeren, som var i nettbutikken min, noe?» Hvis brukeren gjorde det, skal det finnes inntekt for denne kunden. Om det er inntekter for denne kunden, bør derfor være mitt historiske resultat. Der denne informasjonen mangler kan AI Builder hjelpe deg med å lage en prognose.
I rullegardinmenyen Tabell velger du tabellen som inneholder dataene og utfallet du vil forutsi. For eksempeldataene, velg Hensikt for nettbasert kjøp.
Velg kolonnen som inneholder resultatet, i rullegardinlisten Kolonne. For eksempeldataene, velg Inntekt (Etikett). Eller, hvis du vil prøve å forutsi et tall, kan du velge ExitRates.
Hvis du har valgt et alternativsett som inneholder to eller flere utfall, kan du vurdere å tilordne det til «Ja» eller «Nei», siden målet er å forutsi om noe vil skje eller ikke.
Hvis du vil forutsi flere resultater, bruker du e-handelsdatasettet for Brasil i eksemplet og velger BC-ordre i rullegardinlisten Tabell og Leveringstidslinjer i rullegardinlisten Kolonne.
Merk
AI Builder støtter disse datatypene for resultatkolonnen:
- Ja/nei
- Choices
- Heltall
- Desimaltall
- Flyttall
- Valuta
Velg datakolonnene for å kalibrere modellen
Når du har valgt Tabell og Kolonne og tilordnet resultatet, kan du gjøre endringer i datakolonnene som brukes til å lære opp modellen. Alle relevante kolonner er valgt som standard. Du kan fjerne merking for kolonner som kan bidra til en mindre nøyaktig modell. Det er ingen grunn til bekymring dersom du ikke vet hva du skal gjøre her. AI Builder vil prøve å finne kolonner som gir den best mulige modellen. For eksempeldataene er det bare å la alt være som det er og velge Neste.
Vurderinger for datakolonnevalg
Det som er viktigst å vurdere her, er om en kolonne som ikke er den historiske resultatkolonnen, indirekte bestemmes av resultatet.
La oss si at du vil forutsi om en forsendelse kommer til å bli forsinket. Du har kanskje den faktiske leveringsdatoen i dataene dine. Denne datoen vises bare etter at ordren er levert. Så hvis du inkluderer denne kolonnen, vil modellen ha nesten 100% nøyaktighet. Ordrene du ønsker å forutsi, er ikke levert ennå, og har ikke kolonnen for leveringsdato utfylt. Så du bør fjerne merkingen for kolonner som denne før opplæringen. I maskinlæring kalles dette mållekkasje eller datalekkasje. AI Builder prøver å filtrere kolonner som er «for gode til å være sanne», men du bør fremdeles sjekke dem.
Merk
Når du velger datafelter, vises ikke enkelte datatyper, for eksempel bilde, som ikke kan brukes som inndata til å lære opp modellen. I tillegg blir systemkolonner, for eksempel Opprettet den, ekskludert som standard.
Bruk data fra relaterte tabeller
Hvis du har relaterte tabeller som kan forbedre ytelsen til prognosen, kan du også inkludere disse. Som du gjorde da du ville forutsi frafall av en kunde, bør du inkludere ytterligere informasjon som kan være i en egen tabell. AI Builder støtter mange-til-en-relasjoner.
Filtrer dataene dine
Etter at du har valgt datakolonner for opplæring, kan du filtrere på dataene dine. Tabellene inneholder alle radene. Men du vil kanskje konsentrere deg om opplæring og prognose for et delsett av rader. Hvis du vet at det finnes irrelevante data i den samme tabell som du bruker til å lære opp en modell, kan du bruke dette trinnet til å filtrere dem.
Hvis du for eksempel bruker et filter for å se på kun det amerikanske området, vil modellen øve på rader der resultatet kun er kjent for det amerikanske markedet. Når denne modellen er lært opp, vil den kun utføre en prognose for rader der utfallet ikke er kjent, og kun for det amerikanske markedet.
Filtreringsfunksjonen er den samme som i visningsredigering for Power Apps. Begynn ved å legge til:
- En rad, som inneholder én filterbetingelse.
- En gruppe, som lar deg neste filterbetingelsene.
- En relatert tabell, som lar deg opprette en filterbetingelse på en relatert tabell.
Velg feltet, kolonnen og verdien som representerer en filterbetingelse. Du kan bruke avmerkingsboksene til å gruppere rader eller slette flere rader på en gang.