Introdução

  • 4 minutos

A maioria das organizações melhora a eficiência prevendo eventos que podem afetar suas operações. Essas previsões geralmente guiam decisões sobre questões como níveis de estoque, orçamentos de marketing e outras áreas em que uma previsão melhor leva a melhores resultados.

Neste módulo, você aprenderá como o Modelo de Previsão do AI Builder pode ajudar a calcular a probabilidade de um evento acontecer com base nos dados históricos.

Modelo de Previsão do AI Builder

O Modelo de Previsão é um tipo de modelo de IA personalizado no AI Builder. Sua função é analisar padrões em dados históricos durante um processo chamado treinamento. Uma vez treinado, o modelo pode prever resultados futuros com base em novos dados.

Você pode usar o modelo de previsão de três maneiras:

  1. Perguntas de duas opções: os usuários escolhem dentre duas respostas possíveis, como:

    • Ficou satisfeito com a sua estadia? (Sim/Não)
    • Qual era a temperatura da piscina? (Quente/Fria)
    • Prefere chegar durante o dia ou à noite? (Dia/Noite)

  2. Perguntas de múltipla escolha: os usuários escolhem uma opção dentre várias, por exemplo:

    Quando o pacote foi entregue?

    • Antecipadamente
    • No prazo
    • Atrasado
    • Foi perdido

  3. Respostas numéricas: os usuários fornecem um número específico, como:

    • Número de dias de locação: 12
    • Número de salas necessárias: 2

Usando dados históricos

Como outros modelos de IA personalizados, um modelo de previsão precisa ser treinado antes de poder ser usado.

A primeira etapa é identificar quais dados históricos podem ajudar a prever resultados futuros. É melhor incluir uma ampla gama de informações relevantes para que o modelo possa identificar padrões e tendências sem desvios.

Os dados de treinamento devem atender aos seguintes requisitos:

  • Armazenados no Microsoft Dataverse
  • Menos de 1,5 GB de armazenamento de banco de dados
  • Pelo menos 1.000 linhas de dados com uma distribuição equilibrada e realista de resultados

Desempenho e uso do modelo

Após o treinamento, o AI Builder atribuirá ao modelo uma Classificação de Desempenho para indicar o nível de precisão das previsões:

  • Classificação A: excelente precisão de previsão, é possível melhorar ainda mais.
  • Classificação B: boa precisão, melhorias podem ser feitas, se necessário.
  • Classificação C: melhor do que um palpite, mas ajustes são recomendados.
  • Classificação D: não é melhor do que um palpite ou é perfeito demais (precisão próxima de 100%, o que pode significar que o modelo está superajustado). As configurações de dados e modelo devem ser revisadas.

Quando seu modelo tiver uma classificação satisfatória, você poderá publicá-lo e começar a usá-lo com dados em tempo real.

É possível usar o modelo de duas maneiras:

  • Executar agora: acione manualmente o modelo para gerar previsões em dados existentes.
  • Previsão em tempo real: preveja automaticamente os resultados à medida que novos dados são inseridos.

Agora que você já entendeu como o Modelo de Previsão do AI Builder funciona, a próxima etapa é aprender a aplicá-lo em problemas reais de negócios.