Искусственный интеллект, концепция, реализованная Аланом Тьюрингом в 1956 году, буквально произвела революцию во многих областях, таких как: здравоохранение, розничная торговля и коммерция, банковское дело и финансы, логистика и транспорт, недвижимость, образование… Спустя десятилетия эта концепция уже не принадлежит науке. вымысел кажется конкретной реальностью.
Если сегодня и есть сектор, который больше не может существовать без искусственного интеллекта, так это бизнес-аналитика. Сегодня BI сильно зависит от ИИ, чтобы быть достаточно «умным», чтобы интерпретировать постоянно меняющийся мир, где объем данных никогда не был большим.
Корпорация Майкрософт, как всегда пионер в разработке глобальных технологических стратегий, подняла анализ бизнес-данных на новый уровень, объединив инструменты машинного обучения и бизнес-аналитики, не требующие написания кода, в одной совершенно новой функции, известной как Автоматическое машинное обучение ( AutoML) в Power BI.

Обзор AutoML

Сегодня Microsoft Power BI упрощает создание моделей машинного обучения, предоставляя бизнес-аналитикам возможность обучать, проверять и вызывать модели машинного обучения непосредственно в облачном инструменте принятия решений Microsoft. Я имею в виду, что даже если у вас нет большого опыта в области машинного обучения, вы все равно можете создавать свои модели машинного обучения для решения бизнес-задач, которые когда-то требовали опыта специалистов по данным. Впечатляющий! Правильно? Но как мы это делали до введения этой новой функции?
До этой функции нам приходилось самостоятельно создавать модель в Azure Machine Learning Studio, публиковать ее как API, а затем вызывать из Power BI. О да, раньше это было занозой в заднице .. но не сейчас! AutoML меняет правила игры, помогая нам достичь той же цели с помощью менее затратной тактики. Так как же мы можем извлечь выгоду из AutoML?

1. Лицензирование

Чтобы использовать эту функцию, требуется выделенная емкость Power BI Premium (или Power BI Embedded). К сожалению, использования лицензии Power BI Pro в рабочей области с общей емкостью недостаточно для интеграции функции аналитики искусственного интеллекта в ваш поток данных.

2. Поддерживаемые услуги

Рабочая нагрузка ИИ, используемая для запуска AutoML, может поддерживать следующие модели машинного обучения для потока данных:

  • Бинарное предсказание
  • Классификация
  • Регрессия

В приведенном выше списке представлены несколько методов контролируемого машинного обучения. Он так называется, потому что специалист по обработке и анализу данных обучает алгоритм выводам, которые он должен сделать на основе входных данных. Обучение с учителем требует, чтобы все возможные выходные данные алгоритма были известны заранее и чтобы данные, используемые для обучения алгоритма, уже имели метки с правильными ответами.
Не волнуйтесь, вам не нужно ничего делать, Microsoft сделала самую сложную часть работы за вас. Все, что вам нужно сделать, это выполнить шаги, описанные ниже.

Мы продолжим с той же демонстрацией, связанной с выборами в США в 2016 году, которую мы использовали в предыдущей статье Когнитивные сервисы в Power BI.

Создайте и обучите свою модель

1. Выберите тренировочные данные

Первый шаг состоит в создании потока данных с входными данными. Нам нужно войти в службу Power BI и перейти к рабочей области с выделенной емкостью, как объяснялось ранее, в которой, очевидно, включен искусственный интеллект.
В правом верхнем углу рабочей области нажмите Создать, а затем выберите Поток данных. Затем выберите Добавить новые объекты. Это запустит редактор Power Query в браузере. Вы знакомы с Power BI, поэтому знаете, что такое Power Query. Не так ли? На самом деле Power Query — это технология подключения к данным, которая позволяет обнаруживать, подключать, комбинировать и уточнять источники данных, прежде чем переходить к визуализации и созданию отчетов (пожалуйста, прочитайте мою статью о потоках данных Power BI, чтобы узнать, как это работает).
Теперь подключитесь к своим данным, выбрав источник данных и указав путь к нему. Редактор Power Query показывает предварительный просмотр данных. Укажите имя для потока данных и выберите Сохранить и закрыть.

2. Выберите тип модели

Первым шагом для создания нашей модели машинного обучения является определение обучающих данных, включая поле результата, которое вы хотите предсказать. Модель будет создана путем изучения этих данных.

Чтобы добавить модель машинного обучения, нажмите кнопку Применить модель машинного обучения в списке Действия объекта, который содержит данные обучения и информацию о метках, а затем выберите Добавить. модель машинного обучения.

Затем укажите данные обучения, а также поле результата.

Теперь наступает большой шаг! Выбор модели машинного обучения для использования. Не паникуйте! Power BI никогда не подведет. Он порекомендует одну или несколько поддерживаемых моделей ML, которые можно использовать на основе анализа значений поля результатов.

Более того, Power BI выполняет предварительное сканирование образца ваших данных и предлагает входные данные, которые могут дать более точные прогнозы.

3. Обучение модели
Как только мы закончим указывать данные для обучения и прогнозы результатов, мы можем приступить к обучению нашей модели. Мы должны указать имя для нашей модели. Кроме того, мы можем либо сократить время обучения, чтобы получить быстрые результаты, либо увеличить его, чтобы получить лучшую модель.

Улучши это

Чтобы оценить нашу модель и улучшить ее, Power BI выпускает отчет о проверке модели, в котором обобщается производительность вашей модели, описывая, как ваша модель машинного обучения может работать, коэффициенты точности и полноты. Вы можете использовать слайсер Пороговое значение вероятности, чтобы изучить его влияние на точность и полноту модели.

Применить это

После обучения и оценки вашей модели машинного обучения вы можете применить ее к любому целевому объекту из вашего источника данных. Позже вы можете использовать оцененные выходные данные своей модели, чтобы включить прогнозы в свой отчет Power BI.