Dicas de configuração para Inteligência preditiva

  • Versão de lançamento: Xanadu
  • Atualizado 31 de jul. de 2024
  • 4 min. de leitura

    • Se você encontrar problemas durante o treinamento da solução e a previsão da solução, siga estas resoluções sugeridas.

    Dados de entrada

    É recomendável ter pelo menos 30.000 registros para treinar seus modelos, mas a precisão do modelo é determinada pelos dados de entrada.

    Existem três fatores primários que determinam a qualidade dos dados de entrada usados para treinar soluções:

    • Limpeza: os dados limpos reduzem o ruído, tornando o modelo mais preciso.
    • Qualidade: a entrada e a saída devem ser válidas e corretas para treinar o modelo e fazer previsões precisas.
    • Distribuição: os dados que representam o conjunto de dados inteiro como um todo resultarão em um modelo que pode fazer previsões mais generalizadas.

    A maioria dos conjuntos de dados brutos contém dados sujos e inutilizáveis. Revisar seus conjuntos de entrada antes do treinamento é essencial para manter modelos preditivos precisos.

    É recomendável usar aproximadamente 80% dos dados de entrada para treinar o modelo e cerca de 20% dos dados para avaliar se o modelo é preciso. Você pode comparar os resultados previstos do modelo com os valores reais dos 20% de dados restantes.

    Treinamento da solução

    Problema Resolução ou ação sugerida
    O treinamento da solução permanece no status Aguardando treinamento por muito tempo, pois o trabalho do programador está usando um URL de instância de retorno de chamada do Glide incorreto. Certifique-se de que a propriedade glide.servlet.uri na instância do Glide esteja definida com o URL de instância correto. Este problema pode ocorrer quando:
    • Uma instância é clonada da produção, mas ainda se refere ao URL de produção da propriedade glide.servlet.uri.
    • A instância do Glide é provisionada e executa o treinamento pela primeira vez.
    Novas categorias foram adicionadas e ainda não estão afetando o treinamento. Este é o comportamento esperado, pois as novas categorias ainda podem não ter dados suficientes até que a solução seja treinada novamente.
    O treinamento da solução falha.

    Quando o treinamento falhar, clique no link relacionado Mostrar andamento do treinamento na tela da solução para determinar onde está o possível problema.
    O treinamento da solução falha devido à autenticação do usuário. Navegue até Segurança do sistema> Usuários e certifique-se de que o usuário sharedservice.worker esteja definido como Ativo.
    O treinamento do modelo retorna informando que o modelo não pode ser criado. O treinamento falha e mostra a mensagem "Erro ao treinar a solução". A janela de andamento do treinamento mostra esta mensagem: "Falha no treinamento da solução porque os dados usados não são suficientes ou o campo de entrada não é preditivo do campo de saída." Esse problema pode ocorrer quando a quantidade de dados ou a distribuição de valores de campos não é suficiente para que um modelo seja criado com sucesso. Siga estas etapas para solucionar problemas:
    1. Certifique-se de que a distribuição do campo de saída não esteja distorcida.
    2. Treine novamente o modelo alterando os filtros de data para usar uma quantidade maior de dados.
    3. Se os campos de entrada não estiverem totalmente preenchidos, adicione um filtro para remover registros nulos.
    A solução tem dados em vários idiomas, mas os resultados de cobertura e precisão são ruins.

    Use as seguintes opções para ajudar a melhorar suas métricas.

    Opção 1: atualize o idioma de processamento da solução para o idioma mais conhecido que não seja o inglês.
    Nota:
    O inglês é aplicado por padrão para todos os conjuntos de dados.
    Opção 2: se houver dados suficientes para cada idioma/região:
    1. Adicione critérios de filtro para um idioma/região específico em que o idioma primário possa ser identificado (holandês, inglês, francês, alemão, japonês ou espanhol).
    2. Gere uma solução para cada idioma/região e aplique o idioma de processamento apropriado a cada solução.

    Previsão de solução

    Problema Resolução ou ação sugerida
    A previsão falha e retorna uma exceção Java em que a causa é desconhecida.
    1. Pesquise a exceção nos logs do Glide Inteligência preditiva.
    2. Envie um registro de incidente para Inteligência preditiva, incluindo todos os detalhes relevantes, como a exceção, a instância afetada, o nome da solução e a cadeia de caracteres de entrada.
    Não há previsão aplicada ao registro de incidente/caso, mas a previsão retorna um valor quando testada no Explorador de REST API. Isso pode ocorrer quando a confiança da previsão é menor que o limite necessário para fazer uma previsão. Depois que sua solução for treinada, use as etapas a seguir para confirmar se as configurações da solução precisam de ajuste.
    1. Navegue até Serviços Web do Sistema > REST > Explorador de REST API para encontrar o nível de confiança da previsão. Consulte Testar uma previsão de solução de classificação.
    2. No registro de definição de solução de ML, verifique o limite definido para a classe de resultado que foi retornado na previsão clicando no nome da classe. A página Classe é exibida.
    3. Verifique os valores de Precisãoestimada e Cobertura estimada. Se o limite correspondente for maior do que a confiança de previsão do resultado, essa será a causa raiz pela qual você não viu nenhuma previsão.
    4. Ajuste a precisão da classe e os valores de cobertura para aumentar a cobertura ou a precisão. Consulte Ajustar uma solução de classificação treinada.

    Clonagem de instância

    Problema Resolução ou ação sugerida
    Depois que uma instância é clonada, as previsões para as soluções existentes falham. Os artefatos de solução de ML na tabela [ml_artifacts] são armazenados na tabela [sys_attachment]. Se a tabela [ml_artifacts] não estiver incluída no clone quando você executá-lo, as previsões falharão. Certifique-se de que seu clone inclua os artefatos de aprendizado de máquina, pois esses são componentes críticos da sua solução Inteligência preditiva.
    Depois que uma instância é clonada, o treinamento da solução falha. Conforme a execução da clonagem prossegue, é possível que o usuário sharedservice.worker tenha sido desativado, bloqueado ou que o ID do usuário não esteja definido. Resolva esses problemas para que o treinamento da solução seja bem-sucedido.