IA com fluxos de dadosAI with dataflows

Neste artigo, discutiremos maneiras de usar a IA (inteligência artificial) com os fluxos de dados.In this article we discuss ways you can use artificial intelligence (AI) with dataflows. As áreas descritas neste artigo serão as seguintes:The areas described in this article are the following:

  • Serviços CognitivosCognitive Services
  • Aprendizado de máquina automatizadoAutomated Machine Learning
  • Integração de Azure Machine LearningAzure Machine Learning Integration

Serviços Cognitivos no Power BICognitive Services in Power BI

Com os Serviços Cognitivos do Power BI, será possível aplicar diferentes algoritmos dos Serviços Cognitivos do Azure para enriquecer seus dados na preparação de dados de autoatendimento para Fluxos de Dados.With Cognitive Services in Power BI, you can apply different algorithms from Azure Cognitive Services to enrich your data in the self-service data prep for Dataflows.

Os serviços atualmente com suporte são Análise de Sentimento, Extração de Frases-chave, Detecção de Idioma e Marcação de Imagem.The services that are supported today are Sentiment Analysis, Key Phrase Extraction, Language Detection, and Image Tagging. As transformações são executadas no serviço do Power BI e não exigem uma assinatura de Serviços Cognitivos do Azure.The transformations are executed on the Power BI Service and do not require an Azure Cognitive Services subscription. Este recurso requer o Power BI Premium.This feature requires Power BI Premium.

Como habilitar recursos de IAEnabling AI features

Os serviços cognitivos são compatíveis com nós de capacidade Premium EM2, A2 ou P1 e acima.Cognitive services are supported for Premium capacity nodes EM2, A2, or P1 and above. Os serviços cognitivos também estão disponíveis com uma licença PPU (Premium por usuário).Cognitive services are also available with a Premium Per User (PPU) license. Uma carga de trabalho de IA separada na capacidade é usada para executar os serviços cognitivos.A separate AI workload on the capacity is used to run cognitive services. Antes de usar os serviços cognitivos no Power BI, a carga de trabalho de AI precisa ser habilitada nas configurações de capacidade do portal do administrador.Before using cognitive services in Power BI, the AI workload needs to be enabled in the capacity settings of the admin portal. Você pode ativar a carga de trabalho de IA na seção de cargas de trabalho e definir a quantidade máxima de memória que deseja que essa carga de trabalho consuma.You can turn on the AI workload in the workloads section, and define the maximum amount of memory you would like this workload to consume. O limite de memória recomendada é de 20%.The recommended memory limit is 20%. Exceder esse limite faz com que a consulta seja mais lenta.Exceeding this limit causes the query to slow down.

Serviços Cognitivos no Power BI

Introdução aos Serviços Cognitivos no Power BIGetting started with Cognitive Services in Power BI

As transformações de Serviços Cognitivos fazem parte da Preparação de dados de autoatendimento para fluxos de dados.Cognitive Services transforms are part of the Self-Service Data Prep for dataflows. Para enriquecer seus dados com os Serviços Cognitivos, inicie editando um fluxo de dados.To enrich your data with Cognitive Services, start by editing a dataflow.

Editar um fluxo de dados

Selecione o botão Insights de IA na faixa de opções superior do Power Query Editor.Select the AI Insights button in the top ribbon of Power Query Editor.

Insights de AI no Power Query Editor

Na janela pop-up, selecione a função que deseja usar e os dados que deseja transformar.In the pop-up window, select the function you want to use and the data you want to transform. Neste exemplo, eu estou pontuando o sentimento de uma coluna que contém o texto de revisão.In this example, I'm scoring the sentiment of a column that contains review text.

Definir uma função

CultureInfo é uma entrada opcional para especificar o idioma do texto.Cultureinfo is an optional input to specify the language of the text. Essa coluna espera um código ISO.This column is expecting an ISO code. Use uma coluna como entrada para Cultureinfo ou uma coluna estática.You can use a column as input for Cultureinfo, or a static column. Neste exemplo, o idioma é especificado como inglês (en) para a coluna inteira.In this example, the language is specified as English (en) for the whole column. Se você deixar essa coluna em branco, o Power BI detectará automaticamente o idioma antes de aplicar a função.If you leave this column blank, Power BI automatically detects the language before applying the function. Em seguida, selecione Invocar.Next, select Invoke.

selecionar Invocar

Depois de invocar a função, o resultado é adicionado como nova coluna à tabela.After invoking the function, the result is added as a new column to the table. A transformação também é adicionada como uma etapa aplicada na consulta.The transformation is also added as an applied step in the query.

A nova coluna é criada

Se a função retornar várias colunas de saída, a invocação da função adicionará uma nova coluna com uma linha das várias colunas de saída.If the function returns multiple output columns, invoking the function adds a new column with a row of the multiple output columns.

Use a opção de expansão para adicionar um ou ambos os valores como colunas aos seus dados.Use the expand option to add one or both values as columns to your data.

Expandir coluna

Funções disponíveisAvailable functions

Esta seção descreve as funções disponíveis nos Serviços Cognitivos no Power BI.This section describes the available functions in Cognitive Services in Power BI.

Detectar IdiomaDetect Language

A função de detecção de idioma avalia a entrada de texto e, para cada coluna, retorna o nome do idioma e o identificador ISO.The language detection function evaluates text input, and for each column, returns the language name and ISO identifier. Essa função é útil para colunas de dados que coletam texto arbitrário, onde o idioma é desconhecido.This function is useful for data columns that collect arbitrary text, where language is unknown. A função espera dados no formato de texto como entrada.The function expects data in text format as input.

A Análise de Texto reconhece até 120 idiomas.Text Analytics recognizes up to 120 languages. Saiba mais em idiomas com suporte.For more information, see supported languages.

Extrair frases-chaveExtract Key Phrases

A função Extração de Frases-chave avalia o texto não estruturado e, para cada coluna de texto, retorna uma lista de frases-chave.The Key Phrase Extraction function evaluates unstructured text, and for each text column, returns a list of key phrases. A função exige uma coluna de texto como entrada e aceita uma entrada opcional para Cultureinfo.The function requires a text column as input, and accepts an optional input for Cultureinfo. (Confira a seção Introdução anteriormente neste artigo).(See the Getting Started section earlier in this article).

A extração de frases-chave funciona melhor quando você fornece blocos de texto maiores a serem trabalhados.Key phrase extraction works best when you give it bigger chunks of text to work on. Esse é o oposto da análise de sentimento, que funciona melhor em blocos de texto menores.This is opposite from sentiment analysis, which performs better on smaller blocks of text. Considere reestruturar adequadamente as entradas para obter os melhores resultados de ambas as operações.To get the best results from both operations, consider restructuring the inputs accordingly.

Pontuação de sentimentoScore Sentiment

A função Pontuação de sentimento avalia a entrada de texto e retorna uma pontuação de sentimento para cada documento, variando de 0 (negativo) a 1 (positivo).The Score Sentiment function evaluates text input and returns a sentiment score for each document, ranging from 0 (negative) to 1 (positive). Essa função é útil para detectar o sentimento positivo e negativo em mídias sociais, nas revisões do cliente e em fóruns de discussão.This function is useful for detecting positive and negative sentiment in social media, customer reviews, and discussion forums.

A Análise de Texto usa um algoritmo de classificação de aprendizado de máquina para gerar uma pontuação de sentimento entre 0 e 1.Text Analytics uses a machine learning classification algorithm to generate a sentiment score between 0 and 1. As pontuações mais próximas de 1 indicam sentimento positivo, as pontuações mais próximas de 0 indicam sentimento negativo.Scores closer to 1 indicate positive sentiment, scores closer to 0 indicate negative sentiment. O modelo é pré-treinado com um amplo corpo de texto com associações de sentimento.The model is pre-trained with an extensive body of text with sentiment associations. No momento, não é possível fornecer seus próprios dados de treinamento.Currently, it's not possible to provide your own training data. O modelo usa uma combinação de técnicas durante a análise de texto, incluindo processamento de texto, análise de parte da fala, posicionamento e associações de palavras.The model uses a combination of techniques during text analysis, including text processing, part-of-speech analysis, word placement, and word associations. Saiba mais sobre o algoritmo em Apresentação da Análise de Texto.For more information about the algorithm, see Introducing Text Analytics.

A análise de sentimento é executada em toda a coluna de entrada, em vez de extrair o sentimento de uma tabela específica no texto.Sentiment analysis is performed on the entire input column, as opposed to extracting sentiment for a particular table in the text. Na prática, há uma tendência de melhoria da precisão de pontuação quando os documentos contêm uma ou duas sentenças, em vez de um grande bloco de texto.In practice, there's a tendency for scoring accuracy to improve when documents contain one or two sentences rather than a large block of text. Durante a fase de avaliação de objetividade, o modelo determina se uma coluna de entrada como um todo é objetiva ou contém o sentimento.During an objectivity assessment phase, the model determines whether an input column as a whole is objective or contains sentiment. Uma coluna de entrada que seja principalmente objetiva não progride para a frase de detecção de sentimento, resultando em uma pontuação 0,50, sem nenhum processamento adicional.An input column that is mostly objective does not progress to the sentiment detection phrase, resulting in a .50 score, with no further processing. Para as colunas de entrada continuarem no pipeline, a próxima fase gera uma pontuação acima ou abaixo de 0,50, dependendo do grau de sentimento detectado na coluna de entrada.For input columns continuing in the pipeline, the next phase generates a score above or below .50, depending on the degree of sentiment detected in the input column.

No momento, a Análise de Sentimento é compatível com os idiomas alemão, espanhol, francês e inglês.Currently, Sentiment Analysis supports English, German, Spanish, and French. Outros idiomas estão em versão prévia.Other languages are in preview. Para obter mais informações, consulte Linguagens com suporte.For more information, see Supported languages.

Marcar imagensTag Images

A função Marcar imagens retorna marcas com base em mais de 2.000 objetos reconhecíveis, seres vivos, cenários e ações.The Tag Images function returns tags based on more than 2,000 recognizable objects, living beings, scenery, and actions. Quando as marcas são ambíguas ou não são dados de conhecimento comum, a saída fornece "dicas" para esclarecer o significado da marca no contexto de uma configuração conhecida.When tags are ambiguous or not common knowledge, the output provides 'hints' to clarify the meaning of the tag in context of a known setting. As marcas não são organizadas como uma taxonomia e não existe nenhuma hierarquia de herança.Tags are not organized as a taxonomy and no inheritance hierarchies exist. Uma coleção de marcas de conteúdo constitui a base para uma 'description' de imagem exibida como uma linguagem legível por humanos formatada em frases completas.A collection of content tags forms the foundation for an image 'description' displayed as human readable language formatted in complete sentences.

Depois de carregar uma imagem ou especificar uma URL de imagem, os algoritmos de Pesquisa Visual Computacional marcam saídas com base em objetos, seres vivos e ações identificadas na imagem.After uploading an image or specifying an image URL, Computer Vision algorithms output tags based on the objects, living beings, and actions identified in the image. A marcação não está limitada à entidade principal, como uma pessoa em primeiro plano, mas também inclui o ambiente (interno ou externo), móveis, ferramentas, plantas, animais, acessórios, eletrônicos e assim por diante.Tagging is not limited to the main subject, such as a person in the foreground, but also includes the setting (indoor or outdoor), furniture, tools, plants, animals, accessories, gadgets, and so on.

Essa função exige uma URL de imagem ou uma coluna Base64 como entrada.This function requires an image URL or abase-64 column as input. Neste momento, a marcação de imagem é compatível com os idiomas inglês, espanhol, japonês, português e chinês simplificado.At this time, image tagging supports English, Spanish, Japanese, Portuguese, and Simplified Chinese. Para obter mais informações, consulte Linguagens com suporte.For more information, see Supported languages.

Machine Learning Automatizado no Power BIAutomated Machine Learning in Power BI

O AutoML (machine learning automatizado) para fluxos de trabalho permite que os analistas de negócios treinem, validem e invoquem modelos de ML (machine learning) diretamente no Power BI.Automated machine learning (AutoML) for dataflows enables business analysts to train, validate, and invoke Machine Learning (ML) models directly in Power BI. Ela apresenta uma experiência simples para criação de um novo modelo de ML, em que os analistas podem usar seus fluxos de dados para especificar os dados de entrada para treinamento do modelo.It includes a simple experience for creating a new ML model where analysts can use their dataflows to specify the input data for training the model. O serviço extrai automaticamente os recursos mais relevantes, seleciona um algoritmo apropriado e ajusta e valida o modelo de ML.The service automatically extracts the most relevant features, selects an appropriate algorithm, and tunes and validates the ML model. Depois que um modelo é treinado, o Power BI gera automaticamente um relatório de desempenho que inclui os resultados da validação.After a model is trained, Power BI automatically generates a performance report that includes the results of the validation. Depois, o modelo pode ser chamado em qualquer dado novo ou atualizado dentro do fluxo de dados.The model can then be invoked on any new or updated data within the dataflow.

Tela de machine learning

A Machine Learning Automatizada está disponível apenas para fluxos de entrada hospedados no Power BI Premium e capacidades Incorporadas.Automated machine learning is available for dataflows that are hosted on Power BI Premium and Embedded capacities only.

Como trabalhar com a AutoMLWorking with AutoML

Os fluxos de dados oferecem uma preparação de dados de autoatendimento para Big Data.Dataflows offer self-serve data prep for big data. O AutoML é integrado aos fluxos de dados e permite que você aproveite seus esforços de preparação de dados para criar modelos de machine learning diretamente no Power BI.AutoML is integrated into dataflows and enables you to leverage your data prep effort for building machine learning models, right within Power BI.

A AutoML no Power BI permite que os analistas de dados usem fluxos de dados para criar modelos de machine learning com uma experiência simplificada, usando apenas habilidades do Power BI.AutoML in Power BI enables data analysts to use dataflows to build machine learning models with a simplified experience, using just Power BI skills. A maior parte da ciência de dados por trás da criação dos modelos de ML é automatizada pelo Power BI.Most of the data science behind the creation of the ML models is automated by Power BI. Ele tem grades de proteção para garantir que o modelo produzido tenha uma boa qualidade e fornece visibilidade do processo usado para criar o modelo de ML.It has guardrails to ensure that the model produced has good quality and provides visibility into the process used to create your ML model.

O AutoML dá suporte à criação de Modelos de Previsão Binária, Classificação e Regressão em fluxos de dados.AutoML supports the creation of Binary Prediction, Classification, and Regression Models for dataflows. Esses são tipos de técnicas de aprendizado de máquina supervisionado, o que significa que eles aprendem com os resultados conhecidos das observações anteriores para prever os resultados de outras observações.These are types of supervised machine learning techniques, which means that they learn from the known outcomes of past observations to predict the outcomes of other observations. O conjunto de dados de entrada para treinamento de um modelo do AutoML é um conjunto de linhas rotuladas com os resultados conhecidos.The input dataset for training an AutoML model is a set of rows that are labeled with the known outcomes.

O AutoML no Power BI integra o ML automatizado do Azure Machine Learning para criar seus modelos de ML.AutoML in Power BI integrates automated ML from Azure Machine Learning to create your ML models. No entanto, você não precisa de uma assinatura do Azure para usar a AutoML no Power BI.However, you don't need an Azure subscription to use AutoML in Power BI. O processo de treinamento e hospedagem de modelos de ML é totalmente gerenciado pelo serviço do Power BI.The process of training and hosting the ML models is managed entirely by the Power BI service.

Após o treinamento de um modelo de ML, a AutoML gera automaticamente um relatório do Power BI que explica o provável desempenho do seu modelo de ML.After an ML model is trained, AutoML automatically generates a Power BI report that explains the likely performance of your ML model. O AutoML enfatiza a explicabilidade realçando os principais influenciadores entre as entradas que induzem as previsões retornadas pelo modelo.AutoML emphasizes explainability by highlighting the key influencers among your inputs that influence the predictions returned by your model. O relatório também inclui métricas-chave para o modelo.The report also includes key metrics for the model.

Outras páginas do relatório gerado mostram o resumo estatístico do modelo e os detalhes do treinamento.Other pages of the generated report show the statistical summary of the model and the training details. O resumo estatístico interessa aos usuários que desejam ver as medidas padrão de ciência de dados do desempenho do modelo.The statistical summary is of interest to users who would like to see the standard data science measures of model performance. Os detalhes de treinamento resumem todas as iterações executadas para criar seu modelo, com os parâmetros de modelagem associados.The training details summarize all the iterations that were run to create your model, with the associated modeling parameters. Também descrevem como cada entrada foi usada para criar o modelo de ML.It also describes how each input was used to create the ML model.

Em seguida, é possível aplicar seu modelo de ML aos dados para pontuação.You can then apply your ML model to your data for scoring. Quando o fluxo de dados é atualizado, os dados são atualizados com as previsões do modelo de ML.When the dataflow is refreshed, your data is updated with predictions from your ML model. O Power BI também inclui uma explicação individualizada para cada previsão específica produzida pelo modelo de ML.Power BI also includes an individualized explanation for each specific prediction that the ML model produces.

Criar um modelo de machine learningCreating a machine learning model

Esta seção descreve como criar um modelo de AutoML.This section describes how to create an AutoML model.

Preparação de dados para criar um modelo de MLData prep for creating an ML model

Para criar um modelo de machine learning no Power BI, primeiro, é preciso criar um fluxo de dados para os dados contendo as informações do resultado histórico, que são usadas para treinar o modelo de ML.To create a machine learning model in Power BI, you must first create a dataflow for the data containing the historical outcome information, which is used for training the ML model. Adicione também colunas calculadas para todas as métricas de negócios que possam representar previsões sólidas para o resultado que você está tentando prever.You should also add calculated columns for any business metrics that may be strong predictors for the outcome you're trying to predict. Para obter detalhes sobre como configurar seu fluxo de dados, confira como Configurar e consumir um fluxo de dados.For details on configuring your dataflow, see configure and consume a dataflow.

A AutoML tem requisitos de dados específicos para treinar um modelo de machine learning.AutoML has specific data requirements for training a machine learning model. Esses requisitos estão descritos nas seções abaixo, com base nos respectivos tipos de modelo.These requirements are described in sections below, based on respective model types.

Configurar as entradas do modelo de MLConfiguring the ML model inputs

Para criar um modelo do AutoML, selecione o ícone de ML na coluna Ações da tabela de fluxo de dados e selecione Adicionar um modelo de machine learning.To create an AutoML model, select the ML icon in the Actions column of the dataflow table, and select Add a machine learning model.

Adicionar um modelo de machine learning

Uma experiência simplificada é iniciada, composta por um assistente que orienta você pelo processo de criação do modelo de ML.A simplified experience is launched, consisting of a wizard that guides you through the process of creating the ML model. O assistente inclui as etapas simples a seguir.The wizard includes the following simple steps.

1. Selecionar a tabela com os dados históricos e a coluna de resultado para a qual deseja obter uma previsão1. Select the table with the historical data, and the outcome column for which you want a prediction

A coluna de resultado identifica o atributo de rótulo para treinar o modelo de ML, mostrado na imagem a seguir.The outcome column identifies the label attribute for training the ML model, shown in the following image.

Selecionar os dados do resultado histórico

2. Escolher um tipo de modelo2. Choose a model type

Quando você especifica a coluna de resultado, o AutoML analisa os dados do rótulo para recomendar o tipo de modelo de ML mais provável que pode ser treinado.When you specify the outcome column, AutoML analyzes the label data to recommend the most likely ML model type that can be trained. Você pode escolher um tipo de modelo diferente, conforme mostrado abaixo, clicando em “Selecionar um modelo diferente”.You can pick a different model type as shown below by clicking on “Select a different model”.

Selecionar um modelo

Observação

Talvez alguns tipos de modelos não sejam compatíveis com os dados selecionados e, portanto, serão desabilitados.Some model types may not be supported for the data that you have selected and hence would be disabled. No exemplo acima, a Regressão está desabilitada, pois uma coluna de texto está selecionada como a coluna de resultado.In the above example, Regression is disabled, as a text column is selected as outcome column.

3. Selecionar as entradas que você deseja que o modelo use como sinais preditivos3. Select the inputs you want the model to use as predictive signals

O AutoML analisa uma amostra da tabela selecionada para sugerir as entradas que podem ser usadas para treinar o modelo de ML.AutoML analyzes a sample of the selected table to suggest the inputs that can be used for training the ML model. As explicações são fornecidas ao lado das colunas que não estão selecionadas.Explanations would be provided next to columns that are not selected. Se uma coluna específica tem muitos valores distintos ou apenas um valor, ou uma correlação baixa ou alta com a coluna de saída, ele não é recomendado.If a particular column has too many distinct values or only one value, or low or high correlation with the output column, it would not be recommended.

As entradas que dependem da coluna de resultado (ou da coluna de rótulo) não devem ser usadas para treinar o modelo de ML, pois elas afetarão o desempenho.Any inputs that are dependent on the outcome column (or the label column) should not be used for training the ML model, since they will affect its performance. Essas colunas são sinalizadas como tendo uma “correlação anormalmente alta com a coluna de saída”.Such columns would be flagged as having “suspiciously high correlation with output column”. A introdução dessas colunas nos dados de treinamento causa o vazamento de rótulo, em que o modelo tem um bom desempenho nos dados de validação ou de teste, mas não pode igualar esse desempenho quando usado em produção para pontuação.Introducing these columns into the training data causes label leakage, where the model performs well on the validation or test data but cannot match that performance when used in production for scoring. O vazamento de rótulo pode ser uma possível preocupação em modelos de AutoML, quando o desempenho do modelo de treinamento é bom demais para ser verdade.Label leakage could be a possible concern in AutoML models, when training model performance is too good to be true.

Essa recomendação de recurso se baseia em uma amostra de dados, portanto, você deve examinar as entradas usadas.This feature recommendation is based on a sample of a data, so you should review the inputs used. Você tem a opção de alterar as seleções para incluir somente as colunas que deseja que o modelo estude.You have the option to change the selections to include only the columns you want the model to study. Você também pode selecionar todas as colunas marcando a caixa de seleção ao lado do nome da tabela.You can also select all the columns by selecting the checkbox next to the table name.

Personalizar colunas de entrada

4. Nomear o modelo e salvar a configuração4. Name your model and save your configuration

Na etapa final, você pode nomear o modelo e selecionar Salvar e treinar, o que começa a treinar o modelo ML.In the final step, you can name the model and select Save and train which begins training the ML model. Você pode optar por reduzir o tempo de treinamento para ver resultados rápidos ou aumentar o tempo gasto no treinamento para obter o melhor modelo.You can choose to reduce the training time to see quick results or increase the amount of time spent in training to get the best model.

Nomear o modelo

Treinamento do modelo de MLML model training

O treinamento dos modelos de AutoML faz parte da atualização do fluxo de dados.Training of AutoML models is a part of the dataflow refresh. Primeiro, a AutoML prepara seus dados para o treinamento.AutoML first prepares your data for training. O AutoML divide os dados históricos fornecidos em conjuntos de dados de treinamento e teste.AutoML splits the historical data you provide into training and testing datasets. O conjunto de dados de teste é um conjunto de controle usado para validar o desempenho do modelo após o treinamento.The test dataset is a holdout set that is used for validating the model performance after training. Eles são executados como tabelas de Treinamento e Teste no fluxo de dados.These are realized as Training and Testing tables in the dataflow. A AutoML usa validação cruzada para validar o modelo.AutoML uses cross-validation for the model validation.

Em seguida, cada coluna de entrada é analisada e a imputação é aplicada, inserindo valores substituídos para cada valor ausente.Next, each input column is analyzed and imputation is applied, which replaces any missing values with substituted values. A AutoML usa algumas estratégias de imputação diferentes.A couple of different imputation strategies are used by AutoML. Para atributos de entrada tratados como recursos numéricos, a média dos valores de coluna é usada para imputação.For input attributes treated as numeric features, the mean of the column values is used for imputation. Para atributos de entrada tratados como recursos categóricos, o AutoML usa o modo dos valores de coluna para imputação.For input attributes treated as categorical features, AutoML uses the mode of the column values for imputation. A média e o modo dos valores usados para imputação são calculados pela estrutura AutoML no conjunto de dados de treinamento da subamostra.The mean and mode of values used for imputation are calculated by the AutoML framework on the subsampled training dataset.

Em seguida, a amostragem e a normalização são aplicadas aos dados, conforme necessário.Then, sampling and normalization are applied to your data as required. Para modelos de classificação, o AutoML executa os dados de entrada por meio da amostragem estratificada e equilibra as classes para garantir que as contagens de linhas sejam iguais para todas.For classification models, AutoML runs the input data through stratified sampling and balances the classes to ensure the row counts are equal for all.

O AutoML aplica várias transformações a cada coluna de entrada selecionada com base no tipo de dados e nas propriedades estatísticas.AutoML applies several transformations on each selected input column based on its data type, and its statistical properties. A AutoML usa essas transformações para extrair recursos para uso no treinamento do seu modelo de ML.AutoML uses these transformations to extract features for use in training your ML model.

O processo de treinamento de modelos da AutoML é composto por até 50 iterações com algoritmos de modelagem variados e configurações de hiperparâmetros para localizar o modelo com o melhor desempenho.The training process for AutoML models consists of up to 50 iterations with different modeling algorithms and hyperparameter settings to find the model with the best performance. O treinamento poderá ser encerrado antecipadamente com iterações menores se o AutoML observar que não há nenhuma melhoria de desempenho sendo observada.Training can end early with lesser iterations if AutoML notices that there is no performance improvement being observed. O desempenho de cada um desses modelos é avaliado pela validação com o conjunto de dados de teste de controle.The performance of each of these models is assessed by validation with the holdout test dataset. Durante essa etapa de treinamento, a AutoML cria vários pipelines para treinamento e validação dessas iterações.During this training step, AutoML creates several pipelines for training and validation of these iterations. O processo de avaliação do desempenho dos modelos pode demorar um pouco, desde alguns minutos a algumas horas até o tempo de treinamento configurado no assistente, dependendo do tamanho do conjunto de dados e dos recursos de capacidade disponíveis.The process of assessing the performance of the models can take time, anywhere from several minutes to a couple of hours up-to the training time configured in the wizard, depending on the size of your dataset and the capacity resources available.

Em alguns casos, o modelo final gerado pode usar o ensemble learning, em que vários modelos são usados para fornecer melhor desempenho de previsão.In some cases, the final model generated may use ensemble learning, where multiple models are used to deliver better predictive performance.

Capacidade de explicação do modelo de AutoMLAutoML model explainability

Após o treinamento do modelo, a AutoML analisará a relação entre os recursos de entrada e a saída do modelo.After the model has been trained, AutoML analyzes the relationship between the input features and the model output. Ele avalia a magnitude da alteração na saída do modelo para o conjunto de dados de teste de controle para cada recurso de entrada.It assesses the magnitude of change to the model output for the holdout test dataset for each input feature. Isso é conhecido como importância do recurso.This is known as the feature importance. Isso ocorre como parte da atualização depois que o treinamento é concluído.This happens as a part of the refresh once training is complete. Portanto, a atualização pode demorar mais do que o tempo de treinamento configurado no assistente.Hence your refresh may take longer than the training time configured in the wizard.

Importância do recurso

Relatório de modelo da AutoMLAutoML model report

A AutoML gera um relatório do Power BI que resume o desempenho do modelo durante a validação e fornece a importância do recurso global.AutoML generates a Power BI report that summarizes the performance of the model during validation, along with the global feature importance. Esse relatório pode ser acessado na guia Modelo de Machine Learning depois que a atualização de fluxo de dados é bem-sucedida.This report can be accessed from the Machine Learning Model tab once the dataflow refresh is successful. O relatório resume os resultados da aplicação do modelo de ML aos dados de teste de controle e da comparação das previsões com os valores de resultado conhecidos.The report summarizes the results from applying the ML model to the holdout test data and comparing the predictions with the known outcome values.

Examine o relatório de modelo para entender seu desempenho.You can review the model report to understand its performance. Você também pode validar se os principais influenciadores do modelo estão alinhados com os insights de negócios sobre os resultados conhecidos.You can also validate that the key influencers of the model align with the business insights about the known outcomes.

Os gráficos e medidas usados para descrever o desempenho do modelo no relatório dependem do tipo de modelo.The charts and measures used to describe the model performance in the report depend on the model type. Veja uma descrição desses gráficos e medidas de desempenho nas seções a seguir.These performance charts and measures are described in the following sections.

Outras páginas do relatório podem descrever medidas estatísticas sobre o modelo de uma perspectiva de ciência de dados.Additional pages in the report may describe statistical measures about the model from a data science perspective. Por exemplo, o relatório de Previsão Binária inclui um gráfico de lucro e a curva de ROC do modelo.For instance, the Binary Prediction report includes a gain chart and the ROC curve for the model.

Os relatórios também incluem uma página Detalhes do Treinamento, que inclui uma descrição de como o modelo foi treinado e um gráfico descrevendo o desempenho do modelo em cada uma das execuções de iterações.The reports also include a Training Details page that includes a description of how the model was trained, and a chart describing the model performance over each of the iterations run.

Detalhes do treinamento

Outra seção desta página descreve o tipo detectado da coluna de entrada e o método de imputação usado para preencher os valores ausentes.Another section on this page describes the detected type of the input column and imputation method used for filling missing values. Também inclui os parâmetros usados pelo modelo final.It also includes the parameters used by the final model.

Mais informações para o modelo

Se o modelo produzido usar o ensemble learning, a página Detalhes do Treinamento também incluirá um gráfico que mostra o peso de cada modelo de constituinte no ensemble, bem como os parâmetros.If the model produced uses ensemble learning, then the Training Details page also includes a chart showing the weight of each constituent model in the ensemble, as well as its parameters.

Peso no ensemble

Aplicação do modelo de AutoMLApplying the AutoML model

Se você estiver satisfeito com o desempenho do modelo de ML criado, poderá aplicá-lo aos dados novos ou atualizados quando o fluxo de dados for atualizado.If you're satisfied with the performance of the ML model created, you can apply it to new or updated data when your dataflow is refreshed. Faça isso no relatório de modelo selecionando o botão Aplicar no canto superior direito ou o botão Aplicar Modelo de ML em ações na guia Modelos de Machine Learning.You can do this from the model report, by selecting the Apply button in the top-right corner or the Apply ML Model button under actions in the Machine Learning Models tab.

Para aplicar o modelo de ML, é necessário especificar o nome da tabela à qual ele precisa ser aplicado e um prefixo para as colunas que serão adicionadas a essa tabela para a saída do modelo.To apply the ML model, you must specify the name of the table to which it must be applied, and a prefix for the columns that will be added to this table for the model output. O prefixo padrão para os nomes de coluna é o nome do modelo.The default prefix for the column names is the model name. A função Apply pode incluir parâmetros adicionais específicos ao tipo de modelo.The Apply function may include additional parameters specific to the model type.

A aplicação do modelo de ML cria duas tabelas de fluxo de dados que contêm as previsões e explicações individualizadas para cada linha pontuada na tabela de saída.Applying the ML model creates two new dataflow tables which contains the predictions and individualized explanations for each row that it scores in the output table. Por exemplo, se você aplicar o modelo PurchaseIntent à tabela OnlineShoppers, a saída vai gerar as tabelas PurchaseIntent enriquecida com OnlineShoppers e explicações sobre PurchaseIntent enriquecidas com OnlineShoppers.For instance, if you apply the PurchaseIntent model to the OnlineShoppers table, the output will generate the OnlineShoppers enriched PurchaseIntent and OnlineShoppers enriched PurchaseIntent explanations tables. Para cada linha da tabela enriquecida, as Explanations são divididas em várias linhas na tabela de explicações enriquecidas com base no recurso de entrada.For each row in the enriched table, The Explanations is broken down into multiple rows in the enriched explanations table based on the input feature. Um ExplanationIndex ajuda a mapear as linhas da tabela de explicações enriquecidas para a linha da tabela enriquecida.An ExplanationIndex helps map the rows from the enriched explanations table to the row in enriched table.

Editor de consultas

Também é possível aplicar qualquer modelo do AutoML do Power BI a tabelas em qualquer fluxo de dados no mesmo workspace usando Insights da IA no navegador de funções PQO.You can also apply any Power BI AutoML model to tables in any dataflow in the same workspace using AI Insights in PQO function browser. Dessa forma, você pode usar modelos criados por outras pessoas no mesmo workspace sem necessariamente ser um proprietário do fluxo de dados que contém o modelo.This way, you can use models created by others in the same workspace without necessarily being an owner of the dataflow that has the model. O Power Query descobre todos os modelos de ML (Machine Learning) do Power BI no workspace e os expõe como funções dinâmicas do Power Query.Power Query discovers all the Power BI ML models in the workspace and exposes them as dynamic Power Query functions.  É possível invocar essas funções acessando-as por meio da faixa de opções no Editor do Power Query ou invocando diretamente a função M.You can invoke those functions by accessing them from the ribbon in Power Query Editor, or by invoking the M function directly. Atualmente, essa funcionalidade só tem suporte para fluxos de dados do Power BI e para o Power Query Online no serviço do Power BI.This functionality is currently only supported for Power BI dataflows, and for Power Query Online in the Power BI service. Observe que isso é muito diferente de aplicar modelos de ML em um fluxo de dados usando o assistente de AutoML.Note that this is very different from applying ML models within a dataflow using the AutoML wizard. Não há nenhuma tabela de explicações criada com esse método e, a menos que você seja o proprietário do fluxo de dados, não poderá acessar relatórios de treinamento de modelo ou retreinar o modelo.There is no explanations table created using this method and unless you are the owner of the dataflow, you cannot access model training reports or retrain the model. Se o modelo de origem for editado (adicionando ou removendo colunas de entrada) ou o modelo ou o fluxo de dados de origem for excluído, esse fluxo de dados dependente será interrompido.If the source model is edited (adding or removing input columns) or, the model or source dataflow is deleted, then this dependent dataflow would break.

Aplicar um modelo usando o navegador de funções PQO

Depois que você aplica o modelo, o AutoML sempre mantém suas previsões atualizadas sempre que o fluxo de dados é atualizado.After you apply the model, AutoML always keeps your predictions up-to-date whenever the dataflow is refreshed.

Para usar os insights e as previsões do modelo de ML em um relatório do Power BI, conecte-se à tabela de saída no Power BI Desktop usando o conector de fluxos de dados.To use the insights and predictions from the ML model in a Power BI report, you can connect to the output table from Power BI Desktop using the dataflows connector.

Modelos de Previsão BináriaBinary Prediction models

Os modelos de Previsão Binária, mais formalmente conhecidos como modelos de classificação binária, são usados para classificar um conjunto de dados em dois grupos.Binary Prediction models, more formally known as binary classification models, are used to classify a dataset into two groups. Eles são usados para prever eventos que possam ter um resultado binário.They're used to predict events that can have a binary outcome. Por exemplo, se uma oportunidade de vendas será convertida, se uma conta terá rotatividade, se uma fatura será paga no prazo, se uma transação é fraudulenta etc.For instance, whether a sales opportunity will convert, whether an account will churn, whether an invoice will be paid on time, whether a transaction is fraudulent, and so on.

A saída de um modelo de Previsão Binária é uma pontuação de probabilidade, que identifica a probabilidade de o resultado de destino ser alcançado.The output of a Binary Prediction model is a probability score, which identifies the likelihood that the target outcome will be achieved.

Treinar um modelo de Previsão BináriaTraining a Binary Prediction model

Pré-requisitos:Pre-requisites:

  • É necessário um mínimo de 20 linhas de dados históricos para cada classe de resultadosA minimum of 20 rows of historical data is required for each class of outcomes

O processo de criação de um modelo de Previsão Binária segue as mesmas etapas que outros modelos de AutoML, descritos na seção Configurar as entradas do modelo de ML acima.The process of creation for a Binary Prediction model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above. A única diferença está na etapa “Escolher um modelo”, em que você pode selecionar o valor de resultado de destino no qual está mais interessado.The only difference is in the “Choose a model” step where you can select the target outcome value that you’re most interested in. Forneça também rótulos amigáveis para os resultados a serem usados no relatório gerado automaticamente que resumirá os resultados da validação do modelo.You can also provide friendly labels for the outcomes to be used in the automatically generated report that will summarize the results of the model validation.

Assistente de previsão binária

Relatório do modelo de Previsão BináriaBinary Prediction model report

O modelo de Previsão Binária produz como saída uma probabilidade de que uma linha atingirá o resultado de destino.The Binary Prediction model produces as an output a probability that a row will achieve the target outcome. O relatório inclui uma segmentação para o limite de probabilidade, que influencia como as pontuações acima e abaixo do limite de probabilidade serão interpretadas.The report includes a slicer for the probability threshold, which influences how the scores above and below the probability threshold are interpreted.

O relatório descreve o desempenho do modelo em termos de Verdadeiros Positivos, Falsos Positivos, Verdadeiros Negativos e Falsos Negativos.The report describes the performance of the model in terms of True Positives, False Positives, True Negatives, and False Negatives. Verdadeiros Positivos e Verdadeiros Negativos são resultados previstos corretamente para as duas classes nos dados do resultado.True Positives and True Negatives are correctly predicted outcomes for the two classes in the outcome data. Falsos Positivos são linhas para as quais foi previsto o resultado de destino, mas que, na verdade, não tiveram esse resultado.False Positives are rows that were predicted to have Target outcome but actually did not. Por outro lado, Falsos Negativos são linhas que tiveram o resultado de destino, mas para os quais isso não foi previsto.Conversely, False Negatives are rows that had Target outcome but were predicted as not having it.

Medidas, como Precisão e Recall, descrevem o efeito do limite de probabilidade nos resultados previstos.Measures, such as Precision and Recall, describe the effect of the probability threshold on the predicted outcomes. Você pode usar a segmentação de limite de probabilidade para selecionar um limite que alcance um comprometimento equilibrado entre Precisão e Recall.You can use the probability threshold slicer to select a threshold that achieves a balanced compromise between Precision and Recall.

Visualização de precisão

O relatório também inclui uma ferramenta de análise de custo-benefício para ajudar a identificar o subconjunto da população que deve ser o alvo para gerar o lucro mais alto.The report also includes a Cost-Benefit analysis tool to help identify the subset of the population that should be targeted to yield the highest profit. Considerando um custo de direcionamento de unidade estimado e um benefício de unidade para atingir um resultado de destino, a análise de custo-benefício tenta maximizar o lucro.Given an estimated unit cost of targeting and a unit benefit from achieving a target outcome, Cost-Benefit analysis attempts to maximize profit. Use essa ferramenta para escolher o limite de probabilidade com base no ponto máximo no grafo para maximizar o lucro.You can use this tool to pick your probability threshold based on the maximum point in the graph to maximize profit. Use também o grafo para calcular o lucro ou o custo de sua escolha de limite de probabilidade.You can also use the graph to compute the profit or cost for your choice of probability threshold.

Benefício de custo

A página Relatório de Precisão do relatório de modelo inclui o gráfico Ganhos Cumulativos e a curva ROC para o modelo.The Accuracy Report page of the model report includes the Cumulative Gains chart and the ROC curve for the model. Essas são medidas estatísticas de desempenho do modelo.These are statistical measures of model performance. Os relatórios incluem descrições dos gráficos mostrados.The reports include descriptions of the charts shown.

Tela do relatório de precisão

Aplicar um modelo de Previsão BináriaApplying a Binary Prediction model

Para aplicar um modelo de Previsão Binária, é necessário especificar a tabela com os dados aos quais você quer aplicar as previsões do modelo de ML.To apply a Binary Prediction model, you must specify the table with the data to which you want to apply the predictions from the ML model. Outros parâmetros incluem o prefixo de nome da coluna de saída e o limite de probabilidade para classificação do resultado previsto.Other parameters include the output column name prefix and the probability threshold for classifying the predicted outcome.

Entradas de previsão

Quando um modelo de Previsão Binária é aplicado, ele adiciona quatro colunas de saída à tabela de saída enriquecida: Outcome, PredictionScore, PredictionExplanation e ExplanationIndex.When a Binary Prediction model is applied, it adds four output columns to the enriched output table: Outcome, PredictionScore, PredictionExplanation, and ExplanationIndex. Os nomes das colunas na tabela têm o prefixo especificado quando o modelo é aplicado.The column names in the table have the prefix specified when the model is applied.

PredictionScore é uma probabilidade percentual, que identifica a probabilidade de o resultado de destino ser atingido.PredictionScore is a percentage probability, which identifies the likelihood that the target outcome will be achieved.

A coluna Outcome contém o rótulo do resultado previsto.The Outcome column contains the predicted outcome label. Os registros com probabilidades que excedem o limite são previstos como tendo a probabilidade de alcançar o resultado de destino e são rotulados como True.Records with probabilities exceeding the threshold are predicted as likely to achieve the target outcome and are labeled as True. Os registros abaixo do limite são previstos como não tendo a probabilidade de alcançar o resultado e são rotulados como False.Records below the threshold are predicted as unlikely to achieve the outcome and are labeled as False.

A coluna PredictionExplanation contém uma explicação com a influência específica que os recursos de entrada tinham no PredictionScore.The PredictionExplanation column contains an explanation with the specific influence that the input features had on the PredictionScore.

Modelos de classificaçãoClassification models

Os modelos de classificação são usados para classificar um conjunto de dados em vários grupos ou classes.Classification models are used to classify a dataset into multiple groups or classes. Eles são usados para prever eventos que possam ter um dos vários resultados possíveis.They're used to predict events that can have one of the multiple possible outcomes. Por exemplo, se é provável que um cliente tenha um Valor de Tempo de Vida muito alto, alto, médio ou baixo, se o risco de inadimplência é Alto, Moderado, Baixo ou Muito Baixo etc.For instance, whether a customer is likely to have a very high, high, medium, or low Lifetime Value, whether the risk of default is High, Moderate, Low, or Very Low; and so on.

A saída de um modelo de Classificação é uma pontuação de probabilidade, que identifica a probabilidade de uma linha atingir os critérios para determinada classe.The output of a Classification model is a probability score, which identifies the likelihood that a row will achieve the criteria for a given class.

Treinar um modelo de ClassificaçãoTraining a Classification model

A tabela de entrada que contém os dados de treinamento para um modelo de Classificação precisa ter uma coluna de cadeia de caracteres ou de número inteiro como a coluna de resultado, que identifica os últimos resultados conhecidos.The input table containing your training data for a Classification model must have a string or whole number column as the outcome column, which identifies the past known outcomes.

Pré-requisitos:Pre-requisites:

  • É necessário um mínimo de 20 linhas de dados históricos para cada classe de resultadosA minimum of 20 rows of historical data is required for each class of outcomes

O processo de criação de um modelo de Classificação segue as mesmas etapas que outros modelos de AutoML, descritos na seção Configurar as entradas do modelo de ML acima.The process of creation for a Classification model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above.

Relatório do modelo de ClassificaçãoClassification model report

O relatório do modelo de Classificação é produzido pela aplicação do modelo de ML nos dados de teste de controle e pela comparação da classe prevista para uma linha com a classe real conhecida.The Classification model report is produced by applying the ML model to the holdout test data and comparing the predicted class for a row with the actual known class.

O relatório de modelo inclui um gráfico que inclui a divisão das linhas classificadas correta e incorretamente para cada classe conhecida.The model report includes a chart that includes the breakdown of the correctly and incorrectly classified rows for each known class.

Relatório de modelo

Um detalhamento adicional específico à classe permite uma análise de como as previsões de uma classe conhecida são distribuídas.A further class-specific drilldown enables an analysis of how the predictions for a known class are distributed. Isso mostra as outras classes nas quais as linhas dessa classe conhecida provavelmente serão classificadas incorretamente.This shows the other classes in which rows of that known class are likely to be misclassified.

A explicação do modelo no relatório também inclui os principais previsores de cada classe.The model explanation in the report also includes the top predictors for each class.

O relatório do modelo de Classificação também inclui uma página de Detalhes do Treinamento semelhante às páginas de outros tipos de modelo, conforme descrito na seção Relatório do modelo de AutoML anteriormente neste artigo.The Classification model report also includes a Training Details page similar to the pages for other model types, as described in the section AutoML model report earlier in this article.

Aplicar um modelo de classificaçãoApplying a classification model

Para aplicar um modelo de ML de Classificação, é necessário especificar a tabela com os dados de entrada e o prefixo de nome da coluna de saída.To apply a Classification ML model, you must specify the table with the input data and the output column name prefix.

Quando um modelo de Classificação é aplicado, ele adiciona cinco colunas de saída à tabela de saída enriquecida: ClassificationScore, ClassificationResult, ClassificationExplanation, ClassProbabilities e ExplanationIndex.When a Classification model is applied, it adds five output columns to the enriched output table: ClassificationScore, ClassificationResult, ClassificationExplanation, ClassProbabilities, and ExplanationIndex. Os nomes das colunas na tabela têm o prefixo especificado quando o modelo é aplicado.The column names in the table have the prefix specified when the model is applied.

A coluna ClassProbabilities contém a lista de pontuações de probabilidade para a linha de cada classe possível.The ClassProbabilities column contains the list of probability scores for the row for each possible class.

A ClassificationScore é uma probabilidade percentual, que identifica a probabilidade de uma linha atingir os critérios para determinada classe.The ClassificationScore is the percentage probability, which identifies the likelihood that a row will achieve the criteria for a given class.

A coluna ClassificationResult contém a classe previsível mais provável para a linha.The ClassificationResult column contains the most likely predicted class for the row.

A coluna ClassificationExplanation contém uma explicação com a influência específica que os recursos de entrada tiveram na ClassificationScore.The ClassificationExplanation column contains an explanation with the specific influence that the input features had on the ClassificationScore.

Modelos de regressãoRegression models

Os modelos de regressão são usados para prever um valor numérico.Regression models are used to predict a numeric value. Por exemplo: a receita provável a ser obtida de uma oferta de vendas, o valor de tempo de vida de uma conta, a quantia de uma fatura a receber que provavelmente será paga, a data na qual uma fatura pode ser paga etc.For instance: the revenue likely to be realized from a sales deal, the lifetime value of an account, the amount of a receivable invoice that is likely to be paid, the date on which an invoice may be paid, and so on.

A saída de um modelo de Regressão é o valor previsto.The output of a Regression model is the predicted value.

Treinar um modelo de RegressãoTraining a Regression model

A tabela de entrada que contém os dados de treinamento para um modelo de Regressão precisa ter uma coluna numérica como a coluna de resultado, que identifica os valores de resultados conhecidos.The input table containing the training data for a Regression model must have a numeric column as the outcome column, which identifies the known outcome values.

Pré-requisitos:Pre-requisites:

  • É necessário um mínimo de 100 linhas de dados históricos para um modelo de RegressãoA minimum of 100 rows of historical data is required for a Regression model

O processo de criação de um modelo de Regressão segue as mesmas etapas que outros modelos de AutoML, descritos na seção Configurar as entradas do modelo de ML acima.The process of creation for a Regression model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above.

Relatório do modelo de RegressãoRegression model report

Assim como outros relatórios do modelo de AutoML, o relatório de Regressão tem base nos resultados da aplicação do modelo aos dados de teste de controle.Like the other AutoML model reports, the Regression report is based on the results from applying the model to the holdout test data.

O relatório de modelo inclui um gráfico que compara os valores previstos com os valores reais.The model report includes a chart that compares the predicted values to the actual values. Neste gráfico, a distância da diagonal indica o erro na previsão.In this chart, the distance from the diagonal indicates the error in the prediction.

O gráfico de erro residual mostra a distribuição do percentual de erro médio para valores diferentes no conjunto de dados de teste de controle.The residual error chart shows the distribution of the percentage of average error for different values in the holdout test dataset. O eixo horizontal representa a média do valor real do grupo, com o tamanho da bolha mostrando a frequência ou a contagem de valores nesse intervalo.The horizontal axis represents the mean of the actual value for the group, with the size of the bubble showing the frequency or count of values in that range. O eixo vertical é o erro residual médio.The vertical axis is the average residual error.

Gráfico de erros residuais

O relatório do modelo de Regressão também inclui uma página de Detalhes do Treinamento como os relatórios de outros tipos de modelo, conforme descrito na seção Relatório do modelo de AutoML acima.The Regression model report also includes a Training Details page like the reports for other model types, as described in the section AutoML model report above.

Aplicar um modelo de RegressãoApplying a regression model

Para aplicar um modelo de ML de Regressão, é necessário especificar a tabela com os dados de entrada e o prefixo de nome da coluna de saída.To apply a Regression ML model, you must specify the table with the input data and the output column name prefix.

Aplicar uma regressão

Quando um modelo de Regressão é aplicado, ele adiciona três colunas de saída à tabela de saída enriquecida: RegressionResult, RegressionExplanation e ExplanationIndex.When a Regression model is applied, it adds three output columns to the enriched output table: RegressionResult, RegressionExplanation, and ExplanationIndex. Os nomes das colunas na tabela têm o prefixo especificado quando o modelo é aplicado.The column names in the table have the prefix specified when the model is applied.

A coluna RegressionResult contém o valor previsto para a linha com base nas colunas de entrada.The RegressionResult column contains the predicted value for the row based on the input columns. A coluna RegressionExplanation contém uma explicação com a influência específica que os recursos de entrada tiveram no RegressionResult.The RegressionExplanation column contains an explanation with the specific influence that the input features had on the RegressionResult.

Integração do Azure Machine Learning no Power BIAzure Machine Learning integration in Power BI

Várias organizações usam modelos de Machine Learning para obter melhores insights e previsões sobre seus negócios.Numerous organizations use Machine Learning models for better insights and predictions about their business. A capacidade de visualizar e invocar insights com esses modelos, em seus relatórios e painéis e outras análises, pode ajudar a divulgar essas informações para os usuários comerciais que mais precisam delas.The ability to visualize and invoke insights from these models, in your reports and dashboards and other analytics, can help disseminate these insights to the business users who need it the most. Agora, o Power BI simplifica a incorporação dos insights por meio de modelos hospedados no Azure Machine Learning com o uso de gestos simples de apontar e clicar.Power BI now makes it simple to incorporate the insights from models hosted on Azure Machine Learning, using straightforward point-and-click gestures.

Para usar essa funcionalidade, basta que um cientista de dados conceda acesso ao modelo do Azure ML para o analista de BI usando o portal do Azure.To use this capability, a data scientist can simply grant access to the Azure ML model to the BI analyst using the Azure portal. Em seguida, no início de cada sessão, o Power Query descobre todos os modelos do Azure ML aos quais o usuário tem acesso e os expõe como funções dinâmicas do Power Query.Then, at the start of each session, Power Query discovers all the Azure ML models to which the user has access and exposes them as dynamic Power Query functions. O usuário pode invocar essas funções, seja acessando-as na faixa de opções no Power Query Editor ou invocando diretamente a função de M.The user can then invoke those functions by accessing them from the ribbon in Power Query Editor, or by invoking the M function directly. O Power BI também agrupa automaticamente as solicitações de acesso em lotes ao invocar o modelo do Azure ML para um conjunto de linhas a fim de melhorar o desempenho.Power BI also automatically batches the access requests when invoking the Azure ML model for a set of rows to achieve better performance.

Atualmente, esta funcionalidade só tem suporte para fluxos de dados do Power BI e para o Power Query online no serviço do Power BI.This functionality is currently only supported for Power BI dataflows, and for Power Query online in the Power BI service.

Para saber mais sobre os fluxos de dados, confira Introdução aos fluxos de dados e à preparação de dados de autoatendimento.To learn more about dataflows, see Introduction to dataflows and self-service data prep.

Para saber mais sobre o Azure Machine Learning:To learn more about Azure Machine Learning, please see:

Observação

Uma assinatura do Power BI Premium é necessária para usar a integração do Azure Machine Learning.A Power BI Premium subscription is required to use Azure Machine learning integration.

Conceder acesso ao modelo do Azure ML a um usuário do Power BIGranting access to the Azure ML model to a Power BI user

Para acessar um modelo do Azure ML no Power BI, o usuário deve ter acesso de Leitura à assinatura do Azure.To access an Azure ML model from Power BI, the user must have Read access to the Azure subscription. Além disso:In addition:

  • Para modelos do Machine Learning Studio (clássico), o acesso de Leitura ao serviço Web do Machine Learning Studio (clássico)For Machine Learning Studio (classic) models, Read access to Machine Learning Studio (classic) web service
  • Para modelos do Machine Learning, o acesso de Leitura ao workspace do Machine LearningFor Machine Learning models, Read access to the Machine Learning workspace

As etapas neste artigo descrevem como conceder acesso a um usuário do Power BI para um modelo hospedado no serviço do Azure ML para que ele possa acessar esse modelo como uma função do Power Query.The steps in this article describe how to grant a Power BI user access to a model hosted on the Azure ML service, so they can access this model as a Power Query function. Confira mais detalhes em Gerenciar acesso usando o RBAC e o portal do Azure.For further details, please see Manage access using RBAC and the Azure portal.

  1. Entre no portal do Azure.Sign in to the Azure portal.

  2. Acesse a página Assinaturas.Go to the Subscriptions page. A página Assinaturas pode ser encontrada na lista Todos os Serviços do menu do painel de navegação do portal do Azure.You can find the Subscriptions page through the All Services list in the nav pane menu of the Azure portal.

    Página de assinaturas do Azure Azure subscriptions page

  3. Selecione sua assinatura.Select your subscription.

    Selecione sua assinatura Select your subscription

  4. Selecione o Controle de Acesso (IAM) e depois o botão Adicionar.Select Access Control (IAM), and then select the Add button.

    Controle de acesso IAM Access control AIM

  5. Selecione Leitor como a Função.Select Reader as the Role. Selecione o usuário do Power BI para o qual você deseja conceder acesso ao modelo do Azure ML.Select the Power BI user to whom you wish to grant access to the Azure ML model.

    Selecione Leitor como a função Select Reader as the role

  6. Selecione Salvar.Select Save.

  7. Repita as etapas 3 a 6 para permitir acesso de Leitor ao usuário no serviço Web específico do Machine Learning Studio (clássico) ou no workspace do Machine Learning que hospeda o modelo.Repeat steps three through six to grant Reader access to the user for the specific Machine Learning Studio (classic) web service, or the Machine Learning workspace hosting the model.

Descoberta de esquema para modelos do Machine LearningSchema discovery for Machine Learning models

Os cientistas de dados usam principalmente o Python para o desenvolvimento e, até mesmo, para a implantação dos modelos de machine learning no Machine Learning.Data scientists primarily use Python to develop, and even deploy, their machine learning models for Machine Learning. Ao contrário do Machine Learning Studio (clássico), que ajuda a automatizar a tarefa de criação de um arquivo de esquema para o modelo, no caso do Machine Learning, o cientista de dados precisa gerar explicitamente o arquivo de esquema usando o Python.Unlike the Machine Learning Studio (classic), which helps automate the task of creating a schema file for the model, in the case of Machine Learning, the data scientist must explicitly generate the schema file using Python.

Esse arquivo de esquema precisa ser incluído no serviço Web implantado dos modelos do Machine Learning.This schema file must be included in the deployed web service for Machine Learning models. Para gerar automaticamente o esquema para o serviço Web, é necessário fornecer uma amostra da entrada/saída no script de entrada do modelo implantado.To automatically generate the schema for web service, you must provide a sample of the input/output in the entry script for the deployed model. Confira a subseção sobre a Geração de esquema automático do Swagger (opcional) na documentação Implantar modelos com o Serviço do Azure Machine Learning.Please see the subsection on (Optional) Automatic Swagger schema generation in the Deploy models with the Azure Machine Learning service documentation. O link inclui o script de entrada de exemplo com as instruções para a geração de esquema.The link includes the example entry script with the statements for the schema generation.

Especificamente, as funções @input_schema e @output_schema no script de entrada referenciam os formatos de exemplo de entrada e saída nas variáveis input_sample e output_sample e usam essas amostras para gerar uma especificação de OpenAPI (Swagger) para o serviço Web durante a implantação.Specifically, the @input_schema and @output_schema functions in the entry script reference the input and output sample formats in the input_sample and output_sample variables, and use these samples to generate an OpenAPI (Swagger) specification for the web service during deployment.

Essas instruções para a geração de esquema pela atualização do script de entrada também precisam ser aplicadas aos modelos criados com experimentos de aprendizado de máquina automatizados usando o SDK do Azure Machine Learning.These instructions for schema generation by updating the entry script must also be applied to models created using automated machine learning experiments using the Azure Machine Learning SDK.

Observação

Atualmente, os modelos criados com a interface visual do Azure Machine Learning não dão suporte à geração de esquema, mas passarão a dar esse suporte nas versões seguintes.Models created using the Azure Machine Learning visual interface do not currently support schema generation, but will in subsequent releases.

Invocar o modelo do Azure ML no Power BIInvoking the Azure ML model in Power BI

Você pode invocar qualquer modelo do Azure ML para o qual recebeu acesso diretamente do Power Query Editor em seu fluxo de dados.You can invoke any Azure ML model to which you have been granted access, directly from the Power Query Editor in your dataflow. Para acessar os modelos do Azure ML, selecione o botão Editar da tabela que deseja enriquecer com insights provenientes do modelo do Azure ML, como mostrado na imagem a seguir.To access the Azure ML models, select the Edit button for the table that you want to enrich with insights from your Azure ML model, as shown in the following image.

Serviço do Power BI – editar a tabela Power BI service - edit the table

Selecione o botão Editar para abrir o Editor do Power Query nas tabelas do fluxo de dados.Selecting the Edit button opens the Power Query Editor for the tables in your dataflow.

Editor do Power Query Power Query Editor

Selecione o botão Insights da IA na faixa de opções e selecione a pasta Modelos do Azure Machine Learning no menu do painel de navegação.Select the AI Insights button in the ribbon, and then select the Azure Machine Learning Models folder from the nav pane menu. Todos os modelos do Azure ML aos quais você tem acesso são listados aqui como funções do Power Query.All the Azure ML models to which you have access are listed here as Power Query functions. Além disso, os parâmetros de entrada do modelo do Azure ML são mapeados automaticamente como parâmetros da função correspondente do Power Query.Also, the input parameters for the Azure ML model are automatically mapped as parameters of the corresponding Power Query function.

Para invocar um modelo do Azure ML, especifique uma das colunas da tabela escolhida como uma entrada na lista suspensa.To invoke an Azure ML model, you can specify any of the selected table's columns as an input from the drop-down. Você também pode especificar um valor constante para ser usado como uma entrada, alternando o ícone da coluna à esquerda da caixa de diálogo de entrada.You can also specify a constant value to be used as an input by toggling the column icon to the left of the input dialog.

selecionar a coluna select the column

Selecione Invocar para ver a versão prévia da saída do modelo do Azure ML como uma nova coluna na tabela de tabelas.Select Invoke to view the preview of the Azure ML model's output as a new column in the table table. Você também verá a invocação do modelo como uma etapa aplicada à consulta.You will also see the model invocation as an applied step for the query.

Selecionar Invocar Select invoke

Se o modelo retornar vários parâmetros de saída, eles serão agrupados como uma linha na coluna de saída.If the model returns multiple output parameters, they are grouped together as a row in the output column. É possível expandir a coluna para produzir parâmetros de saída individuais em colunas separadas.You can expand the column to produce individual output parameters in separate columns.

expandir a coluna expand the column

Depois que você salvar o fluxo de dados, o modelo será automaticamente invocado quando o fluxo de dados for atualizado com qualquer linha nova ou atualizada na tabela de tabelas.Once you save your dataflow, the model is automatically invoked when the dataflow is refreshed, for any new or updated rows in the table table.

Próximas etapasNext steps

Este artigo fornece uma visão geral da Machine Learning Automatizada para fluxos de dados no serviço do Power BI.This article provided an overview of Automated Machine Learning for Dataflows in the Power BI service. Os artigos a seguir também podem ser úteis.The following articles may also be useful.

Os seguintes artigos fornecem mais informações sobre os fluxos de dados e o Power BI:The following articles provide more information about dataflows and Power BI: