Überprüfen von Vorhersagefehlern mit dem Observability-Dashboard

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 1 Minute Lesedauer

    • Das Observability-Dashboard bietet eine einheitliche Ansicht und umsetzbare Einblicke für Fehler, die in erkannt wurden Predictive Intelligence. Verwenden Sie dieses Dashboard, um protokollierte Fehler zu visualisieren und Informationen über die Zuverlässigkeit der Vorhersage und potenzielle Problembereiche zu erhalten.

    Zeigen Sie das PI – Observability-Dashboard an, indem Sie zu navigieren Predictive Intelligence > Observability > Observability-Dashboardan. Das Dashboard enthält die folgenden Widgets.
    • Gesamtanzahl der Vorhersagefehler
    • Aufgliederung der Vorhersagefehler nach Datum
    • Anzahl der Vorhersagefehler nach Fähigkeit
    • Anzahl der Vorhersagefehler nach Fehlertyp
    • Fehlertypen nach Fähigkeit
    • Aufgliederung erfolgreicher und nicht erfolgreicher Vorhersagen nach Datum
    Sie können in den Widget-Grafiken Detailinformationen zu den zugrunde liegenden Datensätzen anzeigen. Sie können auch den Datumsbereich aller Widgets ändern, indem Sie auswählen Datum Zum Öffnen der Auswahl.
    Abbildung : 1. PI-Observability-Dashboard – obere vier Widgets
    Das Predictive Intelligence-Dashboard mit vier Widgets: Gesamtanzahl der Vorhersagefehler, Aufgliederung der Vorhersagefehler nach Datum, Anzahl der Vorhersagefehler nach Fähigkeit, Anzahl der Vorhersagefehler nach Fehlertyp.
    Das PI – Observability-Dashboard schöpft aus einer Tabelle, die für die Protokollierung von Vorhersagefehlern vorgesehen ist: ML-Vorhersage-Fehlerprotokolle [Ml_Predictor_error_Logs].
    • Die Felder in der Tabelle umfassen Fehlertyp, Fehlermeldung, Statuscode, Lösung und Fähigkeit.
    • Zeigen Sie die Datensätze dieser Tabelle direkt an, indem Sie zu navigieren Predictive Intelligence > Observability > Vorhersagefehler-Protokollean.
    • Für den Zugriff auf die Tabelle erforderliche Rollen: Ml_Report_user oder ml_admin.
    In der Tabelle werden die folgenden Arten von granularen Fehlern protokolliert.
    • Clientseitige Probleme (Serie 400) – erfasst Anforderungsfehler wie Zeitüberschreitungen und ungültige Eingaben.
    • Serverseitige Probleme (Serie 500) – verfolgt interne Serverfehler, die während der Vorhersage aufgetreten sind.
    • Interne Vorhersagefehler – identifiziert Instanzen, in denen das Modell keine Vorhersage generieren konnte.
    • Vorhersagen mit niedriger Konfidenz – zeichnet Ergebnisse auf, die unter einen definierten Konfidenzschwellenwert fallen.
    Hinweis:
    Fehler beim Training sind in dieser Tabelle nicht enthalten.
    Abbildung : 2. PI-Observability-Dashboard – untere zwei Widgets
    Der untere Abschnitt des Dashboard „Predictive Intelligence Observability“ mit zwei Widgets: Fehlertypen nach Fähigkeit, Aufgliederung erfolgreicher und nicht erfolgreicher Vorhersagen nach Datum.