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.

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 para fazer previsões precisas.
• Distribuição: os dados que representam o conjunto de dados inteiro resultarão em um modelo que pode fazer previsões mais generalizadas.

A maioria dos conjuntos de dados brutos contém dados modificados 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 como o URL da 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, já que 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 no link relacionado Mostrar andamento do treinamento na tela da solução para determinar onde reside o possível problema.
O treinamento da solução falha devido à autenticação do usuário.	Navegue até System Security> Usuários e certifique-se de que a função sharedservice.worker esteja definida como Ativa.
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 uma previsão 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 novamente o modelo 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 opções a seguir para ajudar a melhorar suas métricas. Opção 1: atualize o idioma de processamento da solução para o idioma mais importante 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: Adicione critérios 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 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.	Pesquise a exceção nos logs do Glide Inteligência preditiva. 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 do 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 Testar 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. A página Classe é exibida. Verifique os valores de precisãoestimada e cobertura estimada. Se o limite correspondente for maior do que a confiança da previsão do resultado, essa será a causa raiz pela qual você não viu nenhuma previsão. 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 das soluções existentes falham.	Os artefatos da solução ML na tabela [ml_artifacts] são armazenados na tabela [sys_attachment]. Se a tabela [ml_artifacts] não estiver incluída no clone ao executá-lo, as previsões falharão. Certifique-se de que seu clone inclua os artefatos de aprendizado de máquina, pois eles são componentes críticos da sua solução Inteligência preditiva.
Depois que uma instância é clonada, o treinamento da solução falha.	Conforme a execução da clonagem continua, 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.