Dicas de configuração para Inteligência preditiva

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.

Três fatores primários 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 a fazer previsões precisas.
• Distribuição: Os dados que representam todo o conjunto de dados 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.

Recomenda-se usar aproximadamente 80% dos dados de entrada para treinar seu 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% dos dados restantes.

Treinamento da solução

Ocorrência	Resolução ou ação sugerida
O treinamento da solução permanece no status Aguardando treinamento por muito tempo, pois o trabalho do programador está usando uma URL de instância de retorno de chamada do Glide incorreta.	Certifique-se de glide.servlet.uriA propriedade na instância do Glide está definida como a URL da instância correta. Este problema pode ocorrer quando: Uma instância é clonada da produção, mas ainda se refere à URL de produção do glide.servlet.uripropriedade. A instância do Glide é provisionada e executa o treinamento pela primeira vez.
Novas categorias foram adicionadas e ainda não estão tendo impacto no treinamento.	Este é um comportamento esperado, pois as novas categorias podem ainda não ter dados suficientes até que a solução seja retreinada.
O treinamento da solução falha.	Quando o treinamento falhar, clique em Mostrar andamento do treinamento link relacionado na tela de solução para determinar onde reside 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 dizendo que o modelo não pode ser criado. O treinamento falha e mostra a mensagem "Erro ao treinar solução". A janela de andamento do treinamento mostra esta mensagem: "Falha no treinamento da solução, pois os dados usados não são suficientes ou o campo de entrada não é preditivo do campo de saída".	Este problema pode ocorrer quando a quantidade de dados ou a distribuição de valores de campo não é suficiente para um modelo ser criado com sucesso. Siga estas etapas para solucionar problemas: Certifique-se de que a distribuição do campo de saída não esteja distorcida. Treine o modelo novamente alterando os filtros de data para usar uma quantidade maior de dados. 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 diferente do inglês mais proeminente. Nota: O inglês é aplicado por padrão a todos os conjuntos de dados. Opção 2: Se houver dados suficientes para cada idioma/região: Adicione um critério de filtro para um idioma/região específico em que o idioma primário possa ser identificado (holandês, inglês, francês, alemão, japonês, ou espanhol). Gere uma solução para cada idioma/região e aplique a linguagem de processamento apropriada a cada solução.

Previsão da solução

Ocorrência	Resolução ou ação sugerida
A previsão falha e retorna uma exceção Java em que a causa é desconhecida.	PESQUISE a exceção no Inteligência preditiva Logs do Glide. 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 da 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 ser ajustadas. Navegue até Serviços Web do sistema > REST > Explorador de REST API para encontrar o nível de confiança da previsão. Consulte Teste uma previsão de solução de classificação. No registro de Definição de solução de ML, verifique o limite definido para sua classe de resultado que foi retornado na previsão clicando no nome da classe. . Classe a página é exibida. Verifique Precisão estimada e. Cobertura estimada valores. Se o limite correspondente for maior do que a confiança de previsão do resultado, essa será a causa raiz do motivo pelo qual você não viu nenhuma previsão. Ajuste a precisão da classe e os valores de cobertura para aumentar a cobertura ou a precisão. Consulte Ajuste uma solução de classificação treinada.

Clonagem de instância

Ocorrência	Resolução ou ação sugerida
Depois que uma instância é clonada, as previsões para suas 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-la, as previsões falharão. Certifique-se de que seu clone inclua os artefatos de aprendizado de máquina, pois esses são componentes críticos do Inteligência preditiva solução.
Depois que uma instância é clonada, o treinamento da solução falha.	À medida que a execução de clonagem prossegue, é possível que o usuário sharedservice.worker tenha sido desabilitado, bloqueado ou o ID do usuário não esteja definido. Resolva esses problemas para que o treinamento da solução seja bem-sucedido.