Oprette en forudsigelsesmodel
I dette eksempel oprettes Power Apps-forudsigelse AI-model, der bruger tabellen Intention for onlinetræ i Microsoft Dataverse. Du kan hente disse eksempeldata ind i Microsoft Power Platform-miljøet ved at aktivere indstillingen Installér eksempelapps og data, når du opretter et miljø som beskrevet under Opbygning af en model i AI Builder. Du kan også følge den mere detaljerede vejledning i Dataforberedelse. Når dine eksempeldata er i Dataverse, skal du følge disse trin for at oprette din model.
Log på Power Apps eller Power Automate.
Vælg ... Flere>AI-hub i venstre rude.
Vælg AI-modeller under Registrer en AI-funktion.
(Valgfrit) Hvis du vil bevare AI-modeller permanent i menuen for at få nem adgang, skal du vælge nåleikonet.
Vælg Forudsigelse – Forudsig fremtidige resultater ud fra historiske data.
Vælg Opret brugerdefineret model.
Vælg dit historiske resultat
Tænk på den forudsigelse, som du vil have, at AI Builder skal foretage. I forbindelse med spørgsmålet "Mister jeg min kunde?" kan du f.eks. overveje spørgsmål som disse:
- Hvor er den tabel, der indeholder oplysninger om kundeafgang?
- Findes der en kolonne, som specifikt angiver, om du har mistet kunden?
- Er der ubekendte i en kolonne, der kan forårsage usikkerhed?
Brug disse oplysninger til at foretage dine valg. Hvis du arbejder med de angivne eksempeldata, er spørgsmålet "Foretog denne bruger, der interagerede med min onlinebutik, et køb?" Hvis vedkommende gjorde det, burde der være indtægter for den pågældende kunde. Derfor bør en eventuel indtægt for denne kunde det historiske resultat. Der, hvor disse oplysninger ikke er til stede, kan AI Builder hjælpe med at foretage en forudsigelse.
I rullemenuen Tabel skal du vælge den tabel, der indeholder dataene og det resultat, du vil forudsige. Vælg Onlinehandlendes hensigt for eksempeldataene.
Vælg den kolonne, der indeholder resultatet, på rullelisten Kolonne. Vælg Indtægt (etiket) for eksempeldataene. Hvis du vil prøve at forudsige et tal, kan du også vælge Afslutningsmængde.
Hvis du har valgt et sæt indstillinger, der indeholder to eller flere resultater, skal du overveje at knytte dem til "Ja" eller "Nej", da målet er at forudsige, om der sker noget.
Hvis du vil forudsige flere resultater, skal du bruge Brazilian e-commerce-datasættet i eksemplet og vælge BC-ordre i rullemenuen Tabel og Leveringstidslinjer i rullemenuen Kolonne.
Bemærk
AI Builder understøtter disse datatyper for kolonnen Resultat:
- Ja/Nej
- Choices
- Heltal
- Decimaltal
- Flydende tal
- Valuta
Vælg datakolonner for at træne din model
Når du har valgt Tabel og Kolonne og tilknyttet dit resultat, kan du foretage ændringer af de datakolonner, der bruges til at oplære modellen. Alle relevante kolonner er som standard valgt. Du kan fravælge kolonner, der muligvis bidrager til en mindre præcis model. Hvis du ikke ved, hvad du skal gøre her, kan du tage det helt roligt. AI Builder forsøger at finde kolonner, som giver den bedst mulige model. For eksempeldataene skal du bare lade alt være, som det er, og vælge Næste.
Overvejelser om valg af datakolonne
Det vigtigste, du skal overveje her, er, om en kolonne, der ikke er kolonnen for dit historiske resultat, bestemmes indirekte af resultatet.
Lad os sige, at du vil forudsige, om en forsendelse bliver forsinket. Du har muligvis den faktiske leveringsdato i dine data. Denne dato er kun til stede, når ordren er leveret. Så hvis du inkluderer denne kolonne, vil modellen være tæt på 100procent nøjagtighed. De ordrer, du vil forudsige, er ikke leveret endnu, og kolonnen med leveringsdatoen for disse ordrer er ikke udfyldt. Så du skal fjerne markeringen i sådanne kolonner før træningen. I maskinel indlæring kaldes det for destinationslækage eller datalækage. AI Builder forsøger at filtrere kolonner, der er "for gode til at være sande", men du bør stadig tjekke dem.
Bemærk
Når du vælger datafelter, vises nogle datatyper – såsom Billede, der ikke kan bruges som input til at træne modellen – ikke. Derudover udelukkes systemkolonner såsom "Oprettet den" som standard.
Brug data fra relaterede tabeller
Hvis du har relaterede tabeller, der kan forbedre ydeevnen for forudsigelsen, kan du også inkludere disse. Som du gjorde, da du ville undersøge, om en kunde skal afskærme, skal du medtage flere oplysninger, der muligvis findes i en separat tabel. AI Builder understøtter i øjeblikket mange til én-relationer.
Filtrer dine data
Når du har valgt datakolonner til træning, kan du filtrere efter dine data. Tabellerne indeholder alle rækker. Det kan dog være en god idé at koncentrere sig om oplæring og forudsigelse for et undersæt af rækker. Hvis du ved, at der er irrelevante data i den samme tabel, som du bruger til at oplære en model, kan du bruge dette trin til at filtrere dem.
Hvis du f.eks. anvender et filter til kun at se på området USA, oplæres modellen kun med de rækker, hvor resultatet kun er kendt for området USA. Når denne model oplæres, laver den kun en forudsigelse for rækker, hvor resultatet ikke er kendt kun for området USA.
Filtreringsoplevelsen er den samme som i Power Apps-visningseditoren. Start ved at tilføje:
- En række, som indeholder en enkelt filterbetingelse.
- En gruppe, som giver dig mulighed for at indlejre dine filterbetingelser.
- En relateret tabel, som giver dig mulighed for at oprette en filterbetingelse for en relateret tabel.
Vælg den kolonne, den operator og den værdi, der repræsenterer en filterbetingelse. Du kan bruge afkrydsningsfelterne til at gruppere rækker eller masseslette rækker.