Criar um modelo de previsão

Este exemplo cria um modelo de IA de previsão do Power Apps que usa a tabela de Intenção do Comprador Online no Microsoft Dataverse. Para obter esses dados de amostra em seu ambiente do Microsoft Power Platform, habilite a configuração Implantar aplicativos e dados de exemplo ao criar um ambiente conforme descrito em Criar um modelo no AI Builder. Ou siga as instruções mais detalhadas em Preparação de dados. Depois que os dados de exemplo estiverem no Dataverse, siga estas etapas para criar seu modelo.

1. Entre no Power Apps ou Power Automate.

2. No painel esquerdo, selecione ... Mais>Hub de IA.

3. Em Descobrir um recurso de IA, selecione Modelos de IA.

   (Opcional) Para manter Modelos de IA permanentemente no menu e facilitar o acesso, selecione o ícone de marcador.

4. Selecione Previsão - prever resultados futuros com dados históricos.

5. Selecione Criar modelo personalizado.

Selecione seu resultado histórico

Considere a previsão que você deseja que o AI Builder faça. Por exemplo, para a pergunta "Este cliente deixará de usar?", pense em perguntas como estas:

• Onde está a tabela que contém informações sobre a rotatividade de clientes?
• Há uma coluna que indica especificamente se o cliente deixou de usar?
• Existem incógnitas em uma coluna que podem causar incerteza?

Use essas informações para criar suas seleções. Ao trabalhar com os dados de exemplo fornecidos, a pergunta será "o usuário que interagiu com minha loja online fez uma compra?" Se sim, deve haver receita referente a esse cliente. Portanto, se houver receita, esse cliente deverá estar no resultado histórico. Sempre que essas informações estiverem vazias, o AI Builder poderá ajudar você a fazer uma previsão.

1. No menu suspenso Tabela, selecione a tabela que contém os dados e o resultado que você deseja prever. Para ver os dados de exemplo, selecione Intenção do comprador online.

2. No menu suspenso Coluna, selecione a coluna que contém o resultado. Para obter os dados de exemplo, selecione Receita (Rótulo). Ou, se desejar experimentar a previsão de um número, selecione ExitRates.

3. Se você selecionou um conjunto de opções que contém dois ou mais resultados, considere mapeá-lo para "Sim" ou "Não", pois você deseja prever se algo acontecerá.

4. Se você deseja prever vários resultados, use o conjunto de dados de comércio eletrônico brasileiro na amostra e selecione Ordem BC no menu suspenso Tabela e Prazos de Entrega no menu suspenso Coluna.

Observação

O AI Builder oferece suporte a estes tipos de dados para a coluna de resultado:

• Sim/Não
• Choices
• Número inteiro
• Número decimal
• Número de ponto flutuante
• Moeda

Selecione as colunas de dados para treinar seu modelo

Após selecionar a Tabela e a Coluna e mapear seu resultado, você poderá fazer alterações nas colunas de dados usados para treinar o modelo. Por padrão, todas as colunas relevantes são selecionadas. Você pode desmarcar as colunas que podem contribuir para um modelo menos preciso. Se você não souber o que fazer aqui, não se preocupe. O AI Builder tentará encontrar as colunas e fornecer o melhor modelo possível. Para ver os dados de exemplo, basta deixar tudo como está e selecionar Avançar.

Considerações sobre a seleção da coluna de dados

O importante a ser considerado aqui é se uma coluna que não é sua coluna de resultado histórico é determinada indiretamente pelo resultado.

Digamos que você deseja prever se uma remessa chegará com atraso. Você pode ter a data de entrega real em seus dados. Essa data só estará presente depois que o pedido for entregue. Portanto, se você incluir essa coluna, o modelo terá uma precisão de aproximadamente 100%. Os pedidos que você deseja prever ainda não terão sido entregues e não terão a coluna de data de entrega preenchida. Portanto, você deve desmarcar colunas como este antes do treinamento. No aprendizado de máquina, isso é chamado de vazamento de destino ou vazamento de dados. O AI Builder tenta filtrar colunas que são "muito boas para serem verdadeiras", mas você ainda deve verificá-las.

Nota

Ao selecionar campos de dados, alguns tipos de dados—como Imagem, que não pode ser usado como entrada para treinar o modelo—não são mostrados. Além disso, as colunas do sistema, como Criado em, são excluídos por padrão.

Usar dados de tabelas relacionadas

Se você tiver tabelas relacionadas que possam melhorar o desempenho da previsão, também poderá incluí-las. Assim como você fez quando queria prever se um cliente deixaria de usar, você deve incluir informações adicionais que podem estar em uma tabela separada. No momento, o AI Builder dá suporte a relações muitos para um.

Filtrar seus dados

Depois de selecionar as colunas de dados para treinamento, você pode filtrar os dados. Suas tabelas conterão todas as linhas. No entanto, talvez você queira se concentrar no treinamento e na previsão de um subconjunto de linhas. Se você souber que há dados irrelevantes dentro da mesma tabela que está usando para treinar um modelo, poderá usar essa etapa para filtrá-los.

Por exemplo, se você aplicar um filtro para procurar apenas a região dos EUA, o modelo será treinado com as linhas nos quais o resultado seja conhecido apenas como da região dos EUA. Quando esse modelo é treinado, ele só faz uma previsão para linhas nas quais o resultado não seja conhecido apenas como da região dos EUA.

A experiência de filtragem é igual à do editor de exibição do Power Apps. Comece pela adição de:

• Uma linha, que contém uma única condição de filtro.
• Um grupo, que permite aninhar suas condições de filtro.
• Uma tabela relacionada, que permite que você crie uma condição de filtro em uma tabela relacionada.

Selecione a coluna, o operador e o valor que representam uma condição de filtro. Você pode usar as caixas de seleção para agrupar linhas ou excluir linhas em massa.

Próxima etapa

Treinar e publicar seu modelo de previsão