Partager via

Créer un modèle de prédiction

  • Article

Cet exemple crée un modèle IA de prédiction Power Apps qui utilise la table Intention d’acheter en ligne des clients de Microsoft Dataverse. Pour obtenir cet exemple de données dans votre environnement Microsoft Power Platform, activez le paramètre Déployer des exemples d’applications et de données lorsque vous créez un environnement comme décrit dans Créer un modèle dans AI Builder. Vous pouvez aussi suivre les instructions plus détaillées fournies dans Préparation des données. Une fois que votre exemple de données est dans Dataverse, procédez comme suit pour créer votre modèle.

  1. Connectez-vous à Power Apps ou Power Automate.

  2. Dans le volet de gauche, sélectionnez ... Plus>Hub d’IA.

  3. Sous Découvrir une fonctionnalité d’IA, sélectionnez Modèles IA.

    (Facultatif) Pour conserver les modèles IA de manière permanente dans le menu pour un accès facile, sélectionnez l’icône en forme d’épingle.

  4. Sélectionnez Prédiction - Prédire les résultats futurs à partir de données historiques.

  5. Sélectionnez Créer un modèle personnalisé.

Sélectionner votre résultat historique

Réfléchissez à la prédiction qu’AI Builder doit effectuer. Par exemple, pour la question « Cela va-t-il contribuer à l’attrition clients ? », réfléchissez aux questions suivantes :

  • Où est la table qui contient des informations relatives à l’attrition clients ?
  • Existe-t-il une colonne qui indique spécifiquement si le client a décidé, ou non, de ne pas faire de nouveaux achats ?
  • Une colonne contient-elle des inconnues qui pourraient entraîner une incertitude ?

Utilisez ces informations pour effectuer vos sélections. En travaillant avec les exemples de données fournis, la question est « l’utilisateur qui a interagi avec ma boutique en ligne a-t-il effectué un achat ? ». S’il l’a fait, il doit exister une recette pour ce client. Par conséquent, l’existence, ou non, d’un chiffre d’affaires pour ce client doit constituer le résultat historique. AI Builder peut vous aider à effectuer une prédiction chaque fois que ces informations sont vides.

  1. Dans le menu déroulant Table, sélectionnez la table qui contient les données et les résultats que vous voulez prédire. Pour les exemples de données, sélectionnez Intention d’acheter en ligne des clients.

  2. Dans le menu déroulant Colonne, sélectionnez la colonne qui contient le résultat. Pour les exemples de données, sélectionnez Chiffre d’affaires (Étiquette). Ou, si vous souhaitez essayer de prédire un nombre, sélectionnez ExitRates.

  3. Si vous avez sélectionné un groupe d’options contenant au moins deux résultats, envisagez le mappage avec « Oui » ou « Non », car l’objectif est de prédire si quelque chose va se passer.

  4. Si vous souhaitez prédire plusieurs résultats, utilisez le jeu de données Commerce électronique brésilien de l’exemple, puis sélectionnez Commande BC dans le menu déroulant Table et Délais de livraison dans le menu déroulant Colonne.

Note

AI Builder prend en charge ces types de données pour la colonne de résultat :

  • Oui/non
  • Choices
  • Nombre entier
  • Nombre décimal
  • Nombre à virgule flottante
  • Devise

Sélectionner les colonnes de données pour entraîner votre modèle

Après avoir sélectionné la Table et la Colonne et mappé votre résultat, vous pouvez apporter des changements aux colonnes de données utilisées pour entraîner le modèle. Par défaut, toutes les colonnes pertinentes sont sélectionnées. Vous pouvez désélectionner les colonnes qui pourraient nuire à la justesse d’un modèle. Si vous ne savez pas comment faire, ne vous inquiétez pas. AI Builder essaie de trouver les colonnes qui fournissent le meilleur modèle possible. Pour les exemples de données, ne changez rien et sélectionnez Suivant.

Considérations relatives à la sélection de colonnes de données

Le point le plus important à considérer ici est de savoir si une colonne qui n’est pas votre colonne de résultat historique est indirectement déterminée par le résultat.

Supposons que vous souhaitiez prédire si une expédition va être retardée. Vous avez peut-être la date de livraison réelle dans vos données. Cette date est disponible uniquement après la livraison de la commande. Donc, si vous incluez cette colonne, le modèle aura une précision proche de 100%. Les commandes que vous souhaitez prédire ne sont pas encore livrées et la colonne de la date de livraison n’est pas renseignée. Par conséquent, vous devez désélectionner ce type de colonne avant l’entraînement. Dans Machine Learning, cela est appelé fuite de cible ou fuite de données. AI Builder tente de filtrer les colonnes dont la valeur est « trop bonne pour être vraie », mais vous devez toujours les vérifier.

Note

Lors de la sélection des champs de données, certains types de données (comme Image qui ne peuvent pas être utilisés comme entrée pour entraîner le modèle) ne sont pas affichés. En outre, les colonnes système telles que Créé le sont exclues par défaut.

Si vous disposez de tables associées susceptibles d’améliorer les performances de prédiction, vous pouvez également les inclure. Comme vous l’avez fait lorsque vous vouliez prédire si un client abandonnera, vous devez inclure des informations supplémentaires pouvant figurer dans une table distincte. AI Builder prend actuellement en charge les relations plusieurs-à-un.

Filtrer vos données

Après avoir sélectionné les colonnes de données pour la formation, vous pouvez filtrer vos données. Vos tables contiendront toutes les lignes. Cependant, vous pouvez vous concentrer sur la formation et la prédiction au niveau d’un sous-ensemble de lignes. Si vous savez que la table que vous utilisez pour entraîner un modèle contient des données non pertinentes, vous pouvez utiliser cette étape pour les filtrer.

Par exemple, si vous appliquez un filtre pour n’examiner que la région États-Unis, le modèle effectuera l’entraînement sur les lignes dont le résultat n’est connu que pour la région États-Unis. Lorsque ce modèle sera entraîné, il ne fera de prédiction que pour les lignes dont le résultat est connu pour la région États-Unis uniquement.

L’expérience de filtrage est la même que dans l’éditeur de vue Power Apps. Commencer à ajouter :

  • Une rangée, qui contient une seule condition de filtrage.
  • Un groupe, qui vous permet d’imbriquer vos conditions de filtrage.
  • Une table associée, qui vous permet de créer une condition de filtrage sur une table associée.

Sélectionnez la colonne, l’opérateur et la valeur qui représente une condition de filtrage. Vous pouvez utiliser les cases à cocher pour regrouper ou supprimer plusieurs lignes en bloc.

Étape suivante

Effectuer l’apprentissage de votre modèle de prédiction et le publier