Creare un modello di previsione

In questo esempio viene creato un modello di intelligenza artificiale di previsione di Power Apps che utilizza la tabella intenzioni di acquisto online di Microsoft Dataverse. Per ottenere questi dati di esempio nel tuo ambiente Microsoft Power Platform abilita l'impostazione Distribuisci app e dati di esempio quando crei un ambiente come descritto in Creare un modello in AI Builder. In alternativa, segui le istruzioni più dettagliate riportate in Preparazione dei dati. Una volta che i dati di esempio si trovano in Dataverse, segui questa procedura per creare il modello.

1. Accedi a Power Apps o Power Automate.

2. Nel riquadro a sinistra seleziona ...Altro>Hub intelligenza artificiale.

3. In Scopri una funzionalità di intelligenza artificiale, seleziona Modelli di intelligenza artificiale.

   (Facoltativo) Per mantere i modelli di intelligenza artificiale costantemente nel menu per un facile accesso, seleziona l'icona della puntina.

4. Seleziona Previsione: Predici esiti futuri in base ai dati storici.

5. Seleziona Crea modello personalizzato.

Selezionare il risultato cronologico

Pensa alla stima che vuoi creare con AI Builder. Per la domanda "Il cliente abbandonerà", ad esempio, pensare a domande simili alle seguenti:

• Dove è la tabella che contiene informazioni sull'abbandono dei clienti?
• Esiste una colonna che indica in modo specifico se il cliente ha abbandonato?
• Sono presenti incognite in una colonna che potrebbero causare incertezza?

Usa queste informazioni per effettuare le selezioni. Se lavori con i dati di esempio forniti, la domanda è "L'utente che ha interagito con il negozio online ha effettuato un acquisto?" In caso affermativo, dovrebbero essere presenti ricavi per quel cliente. Di conseguenza, i risultati cronologici dovrebbero indicare la presenza di ricavi per questo cliente. Laddove queste informazioni sono vuote, AI Builder può essere utile per eseguire una stima.

1. Dal menu a discesa Tabella, seleziona la tabella che contiene i dati e il risultato che si vuole stimare. Per i dati di esempio, seleziona Intenzione acquirenti online.

2. Nel menu a discesa Colonna, seleziona la colonna che contiene il risultato. Per i dati di esempio, seleziona (Ricavi - Etichetta). In alternativa, se vuoi provare a stimare un numero, seleziona ExitRates.

3. Se è stato selezionato un set di opzioni che contiene due o più risultati, può essere utile eseguirne il mapping a "Sì" o "No" perché l'obiettivo è stimare se una condizione si verificherà.

4. Se desideri prevedere più risultati, utilizza il set di dati dell'e-commerce brasiliano nell'esempio, quindi seleziona Ordine BC nel menu a discesa Tabella e Tempistiche di distribuzione nel menu a discesa Colonna.

Selezionare le colonne di dati per eseguire il training del modello

Dopo aver selezionato Tabella e Colonne ed aver eseguito il mapping del risultato, è possibile apportare modifiche alle colonne dati usate per il training del modello. Per impostazione predefinita, sono selezionate tutte le colonne pertinenti. È possibile deselezionare le colonne che potrebbero portare alla generazione di un modello meno accurato. Se non conosci le operazioni da eseguire, non devi preoccuparti. AI Builder tenterà di individuare le colonne che offrono il miglior modello possibile. Per i dati di esempio, è sufficiente lasciare tutte le impostazioni così come sono e selezionare Avanti.

Considerazioni sulla selezione delle colonne di dati

L'aspetto più importante da considerare è se una colonna che non è la colonna dei risultati cronologici viene indirettamente determinata dal risultato.

Si supponga di voler prevedere se una spedizione sarà in ritardo. Nei dati potrebbe essere presente la data effettiva di recapito. Tale data è presente solo dopo la consegna dell'ordine. Quindi se si include questa colonna l'accuratezza del modello sarà prossima al 100%. Gli ordini che si vuole stimare non sono ancora stati recapitati e la colonna della data di recapito non sarà popolata. Quindi è necessario deselezionare le colonne di questo tipo prima del training. Nell'apprendimento automatico questa situazione è nota come perdita del target o perdita di dati. AI Builder tenta di filtrare le colonne "troppo valide per essere vere", ma è comunque necessario controllarle.

Usare i dati da tabelle correlate

Se sono disponibili tabelle correlate che possono migliorare le prestazioni della stima, è possibile includerle. Come hai fatto quando volevi prevedere se un cliente abbandona, dovresti includere informazioni aggiuntive che potrebbero trovarsi in una tabella separata. AI Builder attualmente supporta le relazioni molti-a-uno.

Applicare i filtri ai dati

Dopo aver selezionato le colonne di dati per il training, è possibile filtrare i propri dati. Le tue tabelle conterranno tutte le righe. Tuttavia, è consigliabile concentrarsi sul training e la stima per un subset di righe. Se è noto che sono presenti dati irrilevanti all'interno della stessa tabella usata per eseguire il training di un modello, è possibile usare questo passaggio per filtrarli.

Ad esempio, se si applica un filtro per considerare solo la regione degli Stati Uniti, il training del modello verrà eseguito solo per le righe in cui il risultato è noto solo per la regione degli Stati Uniti. Quando viene eseguito il training di questo modello, la stima riguarda solo le righe in cui il risultato non è noto solo per la regione degli Stati Uniti.

L'esperienza di filtro è la stessa usata nell'editor della visualizzazione di Power Apps. Inizia ad aggiungere:

• Una riga che contiene una sola condizione di filtro.
• Un gruppo che consente di annidare le condizioni di filtro.
• Una tabella correlata che consente di creare una condizione di filtro per una tabella correlata.

Seleziona la colonna, l'operatore e il valore che rappresenta una condizione di filtro. È possibile usare le caselle di controllo per raggruppare le righe o eliminare in blocco le righe.

Passaggio successivo

Eseguire il training del modello di previsione e pubblicarlo