Прогнозирането на бизнес резултатите ви преди изискваше екип от специалисти по данни, месеци на разработване на модели и много надежда.
Но сега, когато 78% от организациите използват изкуствен интелект в поне една бизнес функция, според McKinsey, това време се е съкратило от месеци до почти мигновени прозрения.
С тази промяна натискът за бързо пускане на пазара на модели за прогнозиране никога не е бил по-голям.
IBM Watsonx съкращава процеса на създаване и внедряване на прогнозни модели в единен браузър-базиран работен поток, който вашият екип от разработчици може да изпълни за минути. Но само скоростта не е достатъчна. Ако прогнозите, които тези модели генерират, не са свързани с управленските работни потоци, върху които оказват влияние, тогава те не водят до реално въздействие.
Това ръководство обхваща всеки етап – от качването на първия ви набор от данни и обучението на модела до внедряването му като API в реално време и, най-важното, свързването на генерираните от него прозрения с работните процеси на ръководството в инструменти като ClickUp. 🔨
Ще научите както как да създадете модела в Watsonx, така и как да приложите резултатите му на практика, така че прогнозите да доведат до действия в целия ви екип.
Ще научите както как да създадете модела в Watsonx, така и как да приложите резултатите му на практика, така че прогнозите да доведат до действие в целия ви екип.
Какво е IBM Watsonx и как подпомага прогнозната аналитика?
Доставянето на AI модели за вашия бизнес може да означава обучение на моделите на едно място, управление на данните на друго и справяне с управлението или съответствието в още един инструмент.
IBM Watsonx е корпоративната платформа за изкуствен интелект и данни на IBM, създадена да реши техническата страна на тази фрагментация. По същество това е пакет от продукти за изкуствен интелект за създаване, обучение и използване на изкуствен интелект в рамките на бизнеса, без всичко да изглежда разпръснато или експериментално.
Платформата решава проблема с фрагментираните работни потоци, като предлага едно единствено работно пространство за проекти. Можете да качвате данни, да провеждате експерименти и да конфигурирате монитори, без да напускате средата.
Пакетът Watsonx включва три основни компонента:
- Watsonx. ai: Създавайте и обучавайте модели за прогнозиране с помощта на AutoAI или персонализирани бележници
- Watsonx. data: Свържете и подгответе данни от множество източници в архитектура от типа „lakehouse“
- Watsonx. управление: Проследявайте ефективността на моделите и прилагайте правила за справедливост
Специално за предсказуеми анализи, watsonx.ai е основният интерфейс, който ще използвате. Той включва AutoAI – инструмент за създаване на експерименти без кодиране, който автоматично избира алгоритми и класифицира подходящите модели.
Останалата част от това ръководство се фокусира върху работния процес на AutoAI в watsonx.ai. Това е най-бързият начин да стартирате работещ прогнозен модел.
Стъпка по стъпка ръководство за създаване на прогнозен модел в Watsonx
Това ръководство предполага, че вече имате акаунт в IBM Cloud и сте създали проект в Watsonx. Цялата процедура може да бъде изпълнена директно в браузъра ви, без да е необходима настройка на локална среда. Ето как:
Стъпка 1: Подгответе и качите данните си
Започнете с организиране на данните си в табличен формат, като например CSV файл. Този файл трябва да има ясно дефинирана колона „цел“, която определя конкретното нещо, което искате да предскажете. Необходими са и колони с характеристики, които представляват входните данни, от които моделът се обучава.
За да качите данните си, отидете в проекта си в Watsonx и отворете раздела „Assets“. Оттам можете да качите CSV файл директно или да се свържете с източник на данни чрез watsonx.data.
Преди да започнете, обърнете внимание на няколко често срещани проблема с данните:
- Липсващи стойности: Почистете големите празнини в критичните колони преди качването, за да гарантирате висока точност
- Тип на целевата колона: Уверете се, че целите за класификация са категорични, а целите за регресия са числови
Стъпка 2: Обучете прогнозен модел с AutoAI
Тук започва обучението на модела. От работната среда на проекта си кликнете върху „Създаване на нов експеримент с AutoAI“.
Изберете качения набор от данни и изберете целевата колона. Оттам можете да конфигурирате типа на експеримента и всички опционални настройки, като например как данните ви се разпределят между обучението и тестването.
Изпълнете експеримента, за да позволите на AutoAI автоматично да генерира класация на пипалините. Тази класация подрежда кандидатските модели според избрания от вас показател, като точност или F1 резултат.
Всеки ред в класацията представлява уникална комбинация от алгоритми за машинно обучение и инженеринг на характеристики. Най-високо класираният пипалайн обикновено е този, който AutoAI препоръчва за вашия конкретен набор от данни.
Не приемайте, че най-високо класираният пипалин е автоматично правилният избор. Струва си да сравните първите два или три пипалина, вместо безкритично да изберете първия. Можете да кликнете върху всеки от тях, за да проверите кои характеристики са най-важни или как моделът допуска грешки, като използвате матрици на объркване.
Стъпка 3: Внедрете своя прогнозен модел
След като изберете печеливш поток, запазете го като модел във вашия проект. След това трябва да прехвърлите този запазен модел в пространство за внедряване. Пространството за внедряване е отделна среда, специално проектирана за производствени работни натоварвания.
Можете да избирате между онлайн и пакетно внедряване. Онлайн внедряването ви предоставя REST API в реално време за прогнози при поискване. Пакетното внедряване оценява големи масиви от данни по зададен график.
Използвайте вградения раздел за тестване, за да изпратите примерна входяща информация. Това ви позволява да проверите резултатите от прогнозите, преди да ги интегрирате с по-нататъшни системи. Разгръщането генерира API крайна точка и URL за оценяване, към които външни приложения могат да се обръщат.
Стъпка 4: Наблюдавайте и оценявайте ефективността на модела
Модел, обучен на базата на исторически данни, може да се влоши с течение на времето, тъй като моделите в реалния свят се променят. Това влошаване се нарича „дрифт“ и може незабележимо да намали качеството на модела с течение на времето.
За да проследявате непрекъснато как се представя моделът ви в реалния свят и да откривате проблеми, преди те да се превърнат в сериозни затруднения, активирайте мониторинга чрез компонента Watson OpenScale, след което свържете внедряването си с инструмента за мониторинг и конфигурирайте праговете за качество по отношение на точност и прецизност.
Ако прогнозата ви включва чувствителни атрибути, уверете се, че сте конфигурирали монитори за справедливост, за да гарантирате безпристрастност.
Системата може да генерира обяснения за всяка прогноза, показващи точно кои характеристики са довели до конкретен резултат. Оттам можете да зададете месечен ритъм за преглед на тези табла за мониторинг и да преобучите модела, ако качеството спадне.
Преди да приключим с тази секция, е важно да разберете, че всяка стъпка в този процес включва различни хора. Без система за проследяване на изпълнението процесът може бързо да се забави и да излезе извън контрол.
- Аналитикът на данни отговаря за почистването и валидирането на набора от данни преди качването му
- Инженер по машинно обучение изпълнява експеримента с AutoAI и сравнява най-добрите пипалини
- Същият инженер (или специалист по ML ops) се занимава с внедряването на модели и настройката на API
- Специалистът по данни или ръководителят на AI отчита ефективността, преглежда докладите за отклонения и решава кога е необходимо преобучение
Без структуриран начин за управление на това, бързо може да се окажете в ситуация, в която разчитате на разпръснати бележки, съобщения в Slack, имейли или паметта си, а именно там възникват закъсненията и пропуснатите стъпки. В резултат на това управлението на задачите става критично важно.
Вместо да оставяте тези стъпки да съществуват изолирано, ClickUp Tasks предоставя система, в която:
- Всяка стъпка се превръща в задача, която може да се проследява
- Всяка задача се възлага на подходящия човек
- Напредъкът е видим в целия работен процес
Но това не е всичко. Всяка задача се подкрепя и от контекста и структурираните данни, които подпомагат нейното изпълнение.
- Потребителските полета могат да събират структурирани данни като версия на модела, източник на набора от данни, показатели за оценка, тип внедряване или честота на преобучение
- ClickUp Docs може да съхранява поддържаща документация като указания за подготовка на данни, предположения за модели, бележки от експерименти или инструкции за внедряване
Така задачите престават да бъдат неясни задачи за изпълнение и се превръщат в напълно контекстуализирани единици работа – ясни, възложени и готови за изпълнение.
Но това не се ограничава само до проследяване на задачи; тези задачи не са еднократни действия. Те са текущи работни процеси, които постоянно изискват определено ниво на повтарящи се ръчни действия.
Например:
- Ако точността на модела падне под прага, трябва да се назначи някой, който да го преобучи
- Ако OpenScale сигнализира за отклонение, това предупреждение трябва да се превърне в задача с ясно определен отговорник
- Ако внедряването се провали по време на тестването, то трябва да бъде регистрирано, възложено и разрешено бързо
ClickUp Automations прави още една крачка напред, като елиминира ръчното прехвърляне между тези работни потоци чрез задействане на автоматични действия въз основа на предварително дефинирани условия.
Ако бъде качен нов набор от данни, автоматично се създава задача за валидиране и се възлага на анализатора на данни. Щом бъде маркирана като „Готова“, автоматично се възлага задача за обучение на модел на инженера по машинно обучение. Когато обучението приключи, се задейства задача за внедряване за специалиста по ML ops.
По този начин всяка стъпка преминава в следващата без ръчно прехвърляне. Задачите се създават, разпределят и обогатяват с контекст автоматично, така че целият работен поток продължава без прекъсвания.
Примери за използване на предсказуеми анализи за екипи
Това са най-често срещаните начини, по които екипите използват прогнозната аналитика:
- Прогнозиране на търсенето : Прогнозира търсенето на вашия продукт през следващото тримесечие, за да може оперативният ви екип да се запаси навреме и да избегне недостиг
- Прогнозиране на отпадането на клиенти : Оценява съществуващите ви клиенти според вероятността да напуснат и насочва акаунтите с висок риск към работни потоци за задържане
- Оценка на риска по проекти : Маркира проектите ви, които вероятно няма да спазят крайните срокове въз основа на историческите им модели, като промени в обхвата
- Прогнозиране на продажбения поток : Прогнозира кои сделки е вероятно да бъдат сключени и предоставя на екипите ви за приходи надеждна прогноза
- Прогнозиране на ИТ инциденти : Идентифицира компоненти на инфраструктурата, които е вероятно да откажат, въз основа на модели в логовете
При всичко това е важно да се отбележи, че стойността на тези прогнози се увеличава многократно, когато резултатите се подават директно към инструментите, в които вашият екип вече изпълнява решенията, върху които те оказват влияние.
🎯 Нашето предложение: Въведете тези прозрения в конвергентно AI работно пространство като ClickUp.
С ClickUp не само управлявате работните процеси по обучението на модели. Вие също така управлявате ежедневните си операции на едно и също място, така че тези прогнози могат директно да задействат реална работа в различните екипи.
- За маркетинга прогнозирането на сегменти с висока степен на намерение може автоматично да създава задачи за кампании
- За продажбите резултатите от оценката на потенциалните клиенти могат да се превърнат в приоритетни задачи за контакт
- За операциите прогнозите за риска (като отпадане или отказ) могат да предизвикат последващи действия или интервенции
Всеки екип може да структурира собствените си работни потоци в ClickUp Tasks, точно както го прави вашият ML екип за обучение и внедряване. Това е същата система, просто с различни примери за употреба.
И това не спира до изпълнението. С ClickUp Dashboards можете:
- Визуализирайте прогнозни анализи (например сегменти с висок риск спрямо сегменти с нисък риск)
- Проследявайте как задачите, създадени въз основа на тези прозрения, напредват в различните екипи
- Наблюдавайте натоварването в различните екипи
- Вижте как прогнозите се превръщат в реални резултати
Всичко, което трябва да направите, е да изберете желания от вас виджет, независимо дали става дума за стълбовидни диаграми, кръгови диаграми, линейни графики или индикатори за напредък. По този начин моделът ви не остава в един инструмент, а изпълнението му – в друг; всичко остава свързано на едно място.
Вашите прозрения не само информират решенията; те ги предизвикват, получават задачи, проследяват се и действително се изпълняват.
💡 Съвет от професионалист: Можете да използвате ClickUp Brain като вграден AI асистент в цялото си работно пространство.
Това не е отделен инструмент; това е интелигентният слой във вашето работно пространство в ClickUp, което означава, че той вече разполага с контекст за вашите задачи, данни и работни потоци.
Така, вместо просто да проследявате задачите, имате AI асистент, който работи редом с вас, помага ви да разберете какво се случва и да действате по-бързо по отношение на това, което трябва да се направи след това.
Например, можете да @споменете Brain в коментар към задача, точно както бихте направили с колега от екипа, и да попитате:
- „Обобщете най-новия доклад за отклоненията и подчертайте това, което изисква внимание.“
- „Какво се промени в производителността на нашия модел през последните 30 дни?“
Той ще извлича данни от работното ви пространство и ще ви дава ясен, незабавен отговор. Може също така да генерира работа за вас. Можете да го помолите да:
- Напишете кратко съобщение за заинтересованите страни, в което обяснявате защо моделът е бил внедрен отново
- Изгответе план за преобучение въз основа на скорошните спадове в производителността
- Създайте списък за проверка за валидиране на нов набор от данни преди обучението
Тъй като ClickUp предлага конвергентно работно пространство, екипът ви няма нужда да се занимава с различни инструменти за комуникация и изпълнение.
Всички ваши разговори могат да се провеждат директно в ClickUp Chat, независимо дали става дума за обсъждане на спад в точността на модела, преглед на сигнал за отклонение или вземане на решение за следващите стъпки след неуспешно внедряване.
Но по-важното е, че тези разговори не остават просто така.
За да се уверите, че дискусиите водят до действие, използвайте Assign Comments. По време на всеки разговор можете да присвоите съобщение на конкретен член на екипа, превръщайки го незабавно в ясна задача за изпълнение.
Така, вместо разговорите да остават забравени или да завършват с „трябва да направим това“, те се превръщат в задачи, които действително се изпълняват и проследяват от начало до край, и всичко това в рамките на ClickUp Chat.
🎥 За да разберете по-добре по-широкия контекст на приложенията на изкуствения интелект в бизнеса, гледайте този обзор на реални примери за използване на изкуствен интелект, които демонстрират как организациите прилагат изкуствен интелект в различни функции и индустрии. ✨
Ограничения при използването на IBM Watsonx за предсказуема аналитика
Всеки инструмент има своите предимства и недостатъци, и Watsonx не прави изключение. Да, той е мощен, но имайте предвид следните ограничения, преди да се ангажирате с платформата:
- Крива на обучение: Конфигурирането на пространства за внедряване и монитори за управление все още изисква добро разбиране на концепциите за облачните платформи, така че може да не е подходящо, ако екипът ви все още няма много опит с облачни инструменти или инфраструктура
- Ръчно управление на данни : Платформата не автоматизира най-трудната част от почистването и структурирането на необработени данни, което означава, че екипът ви все още трябва да обработва ръчно огромно количество данни, преди да можете да получите надеждни резултати
- Разходи за изчислителни ресурси: Обучителните експерименти и хостингът на активни внедрявания в IBM Watsonx се таксуват според използването, така че при нарастващи работни натоварвания облачните ресурси могат бързо да се изчерпят при мащабиране, което води до по-високи разходи
- Интеграция на работния процес: Действията въз основа на прогнозите изискват свързване с външни инструменти за управление на проекти
- Сложност на управлението : Конфигурирането на монитори за справедливост и отклонения включва множество стъпки, които изглеждат тежки за по-малките екипи
Тези ограничения просто подчертават къде трябва да се включат допълнителни инструменти. Това важи особено за частта с действията в процеса на прогнозиране.
📮 ClickUp Insight: 88% от участниците в нашето проучване използват изкуствен интелект за личните си задачи, но над 50% се въздържат да го използват на работното място. Кои са трите основни пречки? Липса на безпроблемна интеграция, пропуски в знанията или опасения относно сигурността.
Но какво става, ако AI е вграден във вашето работно пространство и вече е защитен? ClickUp Brain, вграденият AI асистент на ClickUp, превръща това в реалност. Той разбира команди на обикновен език, като решава и трите проблема, свързани с внедряването на AI, и същевременно свързва вашия чат, задачи, документи и знания в цялото работно пространство. Намерете отговори и прозрения с едно кликване!
Алтернативни AI инструменти за предсказуема аналитика
Watsonx не е единственият вариант на пазара за прогнозно моделиране. В зависимост от вашите технически познания, други платформи може да са по-подходящи за вашата среда. Таблицата по-долу ги сравнява на един поглед.
| Инструмент | Най-подходящо за | Ключова отличителна черта |
| IBM Watsonx | Корпоративни екипи, които се нуждаят от регулирана и подлежаща на одит изкуствена интелигентност | AutoAI + вградено управление и мониторинг на отклоненията |
| Google Vertex AI | Екипи, които вече използват Google Cloud | Плътна интеграция с BigQuery и услугите на GCP |
| Azure Machine Learning | Организации от екосистемата на Microsoft | Вградена връзка с Power BI и Azure DevOps |
| Amazon SageMaker | Екипи, работещи в AWS, с ресурси за машинно обучение | Широка библиотека с алгоритми и гъвкава среда за работа с бележници |
| DataRobot | Бизнес анализатори, които искат напълно автоматизирано машинно обучение | Цялостна автоматизация с мощни настройки по подразбиране за обяснимост |
| ClickUp Brain | Екипи, които се нуждаят от AI-базирани анализи, вградени директно в работните процеси на проектите им | Контекстно-ориентирана изкуствена интелигентност, която работи с различни задачи, документи и табла, без да се налага превключване между инструменти |
📮 ClickUp Insight: Смяната на контекста тихо подкопава продуктивността на екипа ви. Нашите проучвания показват, че 42% от прекъсванията на работата се дължат на превключването между платформи, управлението на имейли и преминаването от една среща към друга. Ами ако можехте да елиминирате тези скъпоструващи прекъсвания?
ClickUp обединява вашите работни потоци (и чат) в една единствена, оптимизирана платформа. Стартирайте и управлявайте задачите си чрез чат, документи, табла и други, докато функциите, задвижвани от изкуствен интелект, поддържат контекста свързан, достъпен за търсене и лесен за управление!
Не се задоволявайте само с прогнози, действайте с ClickUp
Използването на IBM Watsonx за предсказуема аналитика следва ясен път от подготовката на данните до мониторинга на отклоненията, но това е най-лесната част. Истинската работа започва с това да се уверите, че тези прогнози действително променят начина, по който работи вашият екип.
Прогнозите, които стоят в табла, които никой не проверява, са просто загуба на изчислителна мощност, а екипите, които получават реална полза, свързват резултатите от моделите си директно с работните си потоци чрез автоматизирани сигнали и преоценка на приоритетите на задачите.
Ако искате едно работно пространство, в което AI анализите, изпълнението на проекти и комуникацията в екипа вече са обединени, започнете безплатно още днес с ClickUp. ✨
Често задавани въпроси
Това е корпоративна платформа за данни и изкуствен интелект за създаване, обучение и внедряване на модели за машинно обучение. Екипите я използват, за да управляват своите хранилища за данни и да наблюдават управлението на изкуствения интелект от една единствена облачна среда.
AutoAI е инструмент без кодиране, който автоматично анализира вашите таблични данни, за да избере най-подходящите алгоритми за машинно обучение. Той разработва характеристики и класира кандидатските модели в класация, за да можете да внедрите най-точната опция.
Платформата изисква солидно разбиране на концепциите за облака, за да се конфигурират пространствата за внедряване и мониторите за управление. Тя също така не автоматизира ръчния процес на почистване и структуриране на необработените данни преди качването им.