Prognózování obchodních výsledků dříve vyžadovalo tým datových vědců, měsíce vývoje modelů a modlitbu.
Nyní však, kdy podle společnosti McKinsey 78 % organizací využívá AI alespoň v jedné obchodní funkci, se tato doba zkrátila z měsíců na téměř okamžité získání poznatků.
S touto změnou je tlak na rychlé dodávání prediktivních modelů větší než kdy jindy.
IBM Watsonx zjednodušuje proces vytváření a nasazování prediktivních modelů do jednotného pracovního postupu založeného na prohlížeči, který může váš vývojový tým spustit během několika minut. Rychlost však sama o sobě nestačí. Pokud se předpovědi generované těmito modely nepropojí s pracovními postupy vedení, na které mají vliv, nemají žádný skutečný dopad.
Tento průvodce pokrývá všechny fáze, od nahrání vašeho prvního datového souboru a trénování modelu až po jeho nasazení jako živé API a, co je nejdůležitější, propojení poznatků, které generuje, s pracovními postupy vedení v nástrojích, jako je ClickUp. 🔨
Naučíte se, jak vytvořit model ve Watsonx a jak jeho výstupy zprovoznit, aby předpovědi vedly k konkrétním krokům v rámci celého týmu.
Naučíte se, jak vytvořit model ve Watsonx a jak jeho výstupy zprovoznit, aby předpovědi vedly k konkrétním krokům v rámci celého týmu.
Co je IBM Watsonx a jak podporuje prediktivní analytiku?
Nasazení modelů AI ve vaší firmě může znamenat trénování modelů na jednom místě, správu dat na jiném a řešení správy a dodržování předpisů v dalším nástroji.
IBM Watsonx je podniková platforma IBM pro umělou inteligenci a data, která byla navržena k řešení technické stránky této fragmentace. Jedná se v podstatě o sadu produktů umělé inteligence pro vytváření, trénování a provozování umělé inteligence v rámci podniku, aniž by vše působilo roztříštěně nebo experimentálně.
Platforma řeší roztříštěné pracovní postupy tím, že nabízí jednotný pracovní prostor pro projekty. Můžete nahrávat data, provádět experimenty a konfigurovat monitorování, aniž byste museli opustit prostředí.
Sada Watsonx zahrnuje tři hlavní komponenty:
- Watsonx.ai: Vytvářejte a trénujte prediktivní modely pomocí AutoAI nebo vlastních notebooků
- Watsonx. data: Propojte a připravte data z více zdrojů v architektuře typu lakehouse
- Watsonx. Governance: Sledujte výkon modelů a prosazujte pravidla spravedlivého zacházení
Konkrétně pro prediktivní analytiku je watsonx.ai hlavním rozhraním, které budete používat. Zahrnuje AutoAI, nástroj pro tvorbu experimentů bez nutnosti programování, který automaticky vybírá algoritmy a řadí kandidátské modely.
Zbytek tohoto průvodce se zaměřuje na pracovní postup AutoAI v rámci watsonx.ai. Jedná se o nejrychlejší cestu k uvedení funkčního prediktivního modelu do provozu.
Podrobný průvodce vytvořením prediktivního modelu v Watsonx
Tento návod předpokládá, že již máte účet IBM Cloud a vytvořený projekt Watsonx. Celý postup lze provést přímo ve vašem prohlížeči bez nutnosti nastavování lokálního prostředí. Postupujte takto:
Krok 1: Připravte a nahrajte svá data
Začněte tím, že uspořádáte svá data do tabulkového formátu, například do souboru CSV. Tento soubor musí obsahovat jasně definovaný cílový sloupec, který určuje konkrétní věc, kterou chcete předpovídat. Potřebuje také sloupce vlastností, které představují vstupy, ze kterých se model učí.
Chcete-li nahrát svá data, přejděte do svého projektu Watsonx a otevřete kartu Assets. Odtud můžete přímo nahrát soubor CSV nebo se připojit k datovému zdroji přes watsonx.data.
Než začnete, nezapomeňte si dát pozor na několik běžných problémů s daty:
- Chybějící hodnoty: Před nahráním vyčistěte velké mezery v kritických sloupcích, abyste zajistili vysokou přesnost
- Typ cílového sloupce: Ujistěte se, že cíle klasifikace jsou kategorické a cíle regrese jsou numerické
Krok 2: Trénujte prediktivní model pomocí AutoAI
Zde začíná trénování modelu. Ve vašem projektovém pracovním prostoru klikněte na „Vytvořit nový experiment AutoAI“.
Vyberte nahraný datový soubor a zvolte cílový sloupec. Odtud můžete nakonfigurovat typ experimentu a volitelná nastavení, například jak se data rozdělí mezi trénování a testování.
Spusťte experiment a nechte AutoAI automaticky vygenerovat žebříček pipeline. Tento žebříček řadí kandidátské modely podle vámi zvolené metriky, jako je přesnost nebo skóre F1.
Každý řádek v žebříčku představuje jedinečnou kombinaci algoritmů strojového učení a feature engineeringu. Nejlépe hodnocený pipeline je obvykle ten, který AutoAI doporučuje pro váš konkrétní datový soubor.
Nepředpokládejte, že nejlépe hodnocený pipeline je automaticky tou správnou volbou. Stojí za to porovnat dva nebo tři nejlépe hodnocené pipeline, místo toho, abyste bez rozmyslu vybrali ten první. Můžete kliknout na kterýkoli z nich a pomocí matic záměny zkontrolovat například to, které vlastnosti jsou nejdůležitější nebo jak model dělá chyby.
Krok 3: Nasazení prediktivního modelu
Jakmile si vyberete vhodný postup, uložte jej jako model ve svém projektu. Tento uložený model pak musíte přesunout do nasazovacího prostoru. Nasazovací prostor je samostatné prostředí speciálně určené pro produkční úlohy.
Můžete si vybrat mezi online a dávkovým nasazením. Online nasazení vám poskytuje REST API v reálném čase pro predikce na vyžádání. Dávkové nasazení vyhodnocuje velké datové sady podle nastaveného harmonogramu.
Pomocí vestavěné karty testování odešlete vzorový vstupní datový náklad. To vám umožní ověřit výstup predikce před integrací do navazujících systémů. Nasazení vygeneruje koncový bod API a skórovací URL, které mohou volat externí aplikace.
Krok 4: Sledujte a vyhodnocujte výkon modelu
Model trénovaný na historických datech může v průběhu času ztrácet na kvalitě, protože se mění vzorce v reálném světě. Tento úpadek se nazývá drift a může v průběhu času nenápadně snižovat kvalitu modelu.
Chcete-li průběžně sledovat, jak si váš model vede v reálném světě, a zachytit potíže dříve, než se stanou problémem, povolte monitorování prostřednictvím komponenty Watson OpenScale, poté propojte své nasazení s monitorovacím nástrojem a nakonfigurujte prahové hodnoty kvality pro přesnost a správnost.
Pokud vaše predikce zahrnuje citlivé atributy, nezapomeňte nakonfigurovat monitory spravedlnosti, aby výsledky zůstaly nestranné.
Systém dokáže generovat vysvětlení pro každou predikci, která přesně ukazují, které vlastnosti vedly ke konkrétnímu výsledku. Na základě toho můžete nastavit měsíční interval pro kontrolu těchto monitorovacích dashboardů a v případě poklesu kvality model znovu trénovat.
Než tuto část uzavřeme, je důležité si uvědomit, že každý krok v tomto procesu zahrnuje různé osoby. Bez systému pro sledování provádění se proces může rychle zpomalit a vymknout se kontrole.
- Datový analytik je zodpovědný za čištění a ověřování datového souboru před jeho nahráním
- Inženýr strojového učení spustí experiment AutoAI a porovná nejlepší pipeline
- Nasazení modelu a nastavení API zajišťuje stejný inženýr (nebo specialista na ML ops).
- Data scientist nebo vedoucí AI monitoruje výkon, kontroluje zprávy o odchylkách a rozhoduje, kdy je nutné provést opětovné trénování
Bez strukturovaného způsobu, jak to řídit, se rychle dostanete do situace, kdy se budete spoléhat na roztříštěné poznámky, zprávy ve Slacku, e-maily nebo vlastní paměť, a právě tam dochází ke zpožděním a vynechání kroků. Řízení úkolů se tak stává klíčovým.
Místo toho, aby tyto kroky zůstaly izolované, ClickUp Tasks poskytuje systém, ve kterém:
- Každý krok se stává sledovatelným úkolem
- Každý úkol je přiřazen správné osobě
- Pokrok je viditelný v celém pracovním postupu
A to není vše. Každý úkol je navíc podložen kontextem a strukturovanými daty, které podporují jeho provedení.
- Vlastní pole mohou zachytit strukturovaná data, jako je verze modelu, zdroj datového souboru, metriky hodnocení, typ nasazení nebo frekvence přeučení
- ClickUp Docs umožňuje ukládat podpůrnou dokumentaci, jako jsou pokyny pro přípravu dat, předpoklady modelů, poznámky k experimentům nebo pokyny k nasazení
Místo toho, aby úkoly zůstaly vágními položkami na seznamu, se tak stávají plně kontextovými pracovními jednotkami – jasnými, přiřazenými a připravenými k provedení.
Ale nekončí to jen sledováním úkolů; tyto úkoly nejsou jednorázové akce. Jsou to průběžné pracovní postupy, které neustále vyžadují určitou míru opakovaných manuálních úkonů.
Například:
- Pokud přesnost modelu klesne pod vaši prahovou hodnotu, je třeba pověřit někoho, aby model znovu trénoval
- Pokud OpenScale zaznamená odchylky, musí se z tohoto upozornění stát úkol s jasně určeným odpovědným pracovníkem
- Pokud nasazení během testování selže, je třeba jej zaznamenat, přiřadit a rychle vyřešit
ClickUp Automations jde ještě o krok dál a eliminuje ruční předávání mezi těmito pracovními postupy tím, že spouští automatické akce na základě předdefinovaných podmínek.
Pokud je nahrán nový datový soubor, automaticky se vytvoří ověřovací úkol a přiřadí se datovému analytikovi. Jakmile je označen jako „Připraven“, automaticky se přiřadí úkol trénování modelu inženýrovi strojového učení. Po dokončení trénování se spustí úkol nasazení pro specialistu na ML ops.
Tímto způsobem plynule navazuje jeden krok na druhý bez nutnosti ručního předávání. Úkoly se automaticky vytvářejí, přiřazují a obohacují o kontext, takže celý pracovní postup pokračuje bez přerušení.
Příklady použití prediktivní analýzy pro týmy
Toto jsou nejčastější způsoby, jakými týmy využívají prediktivní analytiku:
- Prognóza poptávky : Předpovídá poptávku po vašich produktech v příštím čtvrtletí, aby váš provozní tým mohl včas doplnit zásoby a předejít nedostatku zboží
- Predikce odchodu zákazníků : Ohodnoťte své stávající zákazníky podle pravděpodobnosti, že odejdou, a přesměrujte účty s vysokým rizikem do workflow pro udržení zákazníků
- Hodnocení rizik projektů : Označuje projekty, u nichž je na základě historických vzorců pravděpodobné, že nedodrží termíny, například kvůli změnám rozsahu
- Prognózy prodejního pipeline : Předpovídá, které obchody budou pravděpodobně uzavřeny, a poskytuje vašim týmům pro tržby spolehlivou prognózu
- Predikce IT incidentů : Identifikuje komponenty infrastruktury, u nichž je pravděpodobné selhání, na základě vzorců v protokolech
Při tom všem je důležité si uvědomit, že hodnota těchto předpovědí se znásobí pouze tehdy, když jsou výsledky přímo přenášeny do nástrojů, ve kterých váš tým již provádí rozhodnutí, na která tyto předpovědi mají vliv.
🎯 Náš návrh: Přeneste tyto poznatky do konvergovaného AI pracovního prostoru, jako je ClickUp.
S ClickUpem nespravujete jen pracovní postupy trénování modelů. Na stejném místě také řídíte své každodenní operace, takže tyto predikce mohou přímo spouštět reálnou práci napříč týmy.
- V oblasti marketingu může predikce segmentů s vysokou mírou zájmu automaticky vytvářet úkoly kampaně
- V oblasti prodeje se výsledky hodnocení potenciálních zákazníků mohou proměnit v prioritní úkoly pro oslovování zákazníků
- V oblasti provozu mohou předpovědi rizik (jako je odchod zákazníků nebo selhání) vyvolat následné kroky nebo zásahy
Každý tým si může strukturovat vlastní pracovní postupy v rámci úkolů ClickUp, stejně jako to dělá váš tým ML při trénování a nasazování. Je to stejný systém, jen s odlišnými případy použití.
A to není vše. S ClickUp Dashboards můžete:
- Vizualizujte prediktivní poznatky (např. segmenty s vysokým rizikem vs. segmenty s nízkým rizikem)
- Sledujte, jak úkoly vytvořené na základě těchto poznatků postupují v různých týmech
- Sledujte pracovní zátěž napříč týmy
- Podívejte se, jak se předpovědi skutečně promítají do výsledků
Stačí si vybrat widget podle svého výběru, ať už se jedná o sloupcové grafy, výsečové grafy, spojnicové grafy nebo ukazatele průběhu. Tímto způsobem váš model neskončí v jednom nástroji a jeho spuštění v jiném; vše zůstane propojeno na jednom místě.
Vaše poznatky také neslouží pouze jako podklad pro rozhodnutí; podněcují je, jsou přiřazovány, sledovány a skutečně realizovány.
💡 Tip pro profesionály: ClickUp Brain můžete používat jako vestavěného AI asistenta v celém svém pracovním prostoru.
Nejedná se o samostatný nástroj; je to vrstva umělé inteligence uvnitř vašeho pracovního prostoru ClickUp, což znamená, že již má kontext pro vaše úkoly, data a pracovní postupy.
Místo pouhého sledování úkolů tak máte k dispozici AI asistenta, který s vámi spolupracuje, pomáhá vám pochopit, co se děje, a rychleji se posunout k dalším krokům.
Můžete například v komentáři k úkolu @zmínit Brain, stejně jako byste zmínili kolegu z týmu, a zeptat se:
- „Shrňte nejnovější zprávu o odchylkách a zdůrazněte, čemu je třeba věnovat pozornost.“
- „Co se změnilo ve výkonu našeho modelu za posledních 30 dní?“
Využije data z vašeho pracovního prostoru a poskytne vám jasnou a okamžitou odpověď. Může pro vás také generovat práci. Můžete ho požádat, aby:
- Napište krátkou zprávu pro zainteresované strany, ve které vysvětlíte, proč byl model znovu nasazen
- Vypracujte plán opětovného trénování na základě nedávného poklesu výkonu
- Vytvořte si kontrolní seznam pro ověření nového datového souboru před trénováním
Vzhledem k tomu, že ClickUp nabízí sjednocený pracovní prostor, nemusí váš tým navíc přecházet mezi různými nástroji pro komunikaci a realizaci.
Všechny vaše konverzace mohou probíhat přímo v ClickUp Chat, ať už jde o diskusi o poklesu přesnosti modelu, kontrolu nahlášeného upozornění na odchylku nebo rozhodování o dalších krocích po neúspěšném nasazení.
Ale co je ještě důležitější, tyto konverzace nezůstávají jen tak ležet ladem.
Chcete-li zajistit, aby diskuse vedly k akci, použijte funkci Přiřadit komentáře. Uprostřed jakékoli konverzace můžete přiřadit zprávu konkrétnímu členovi týmu a okamžitě z ní tak vytvořit jasný úkol.
Místo toho, aby konverzace zapadly nebo skončily slovy „měli bychom to udělat“, se z nich stanou úkoly, které jsou skutečně provedeny a sledovány od začátku do konce, a to vše v rámci ClickUp Chat.
🎥 Chcete-li lépe porozumět širšímu kontextu využití AI v podnikání, podívejte se na tento přehled reálných případů použití AI, které ukazují, jak organizace využívají umělou inteligenci v různých funkcích a odvětvích. ✨
Omezení používání IBM Watsonx pro prediktivní analytiku
Každý nástroj má své výhody i nevýhody a Watsonx není výjimkou. Je sice výkonný, ale než se pro tuto platformu rozhodnete, zvažte následující omezení:
- Náročnost: Konfigurace nasazovacích prostorů a monitorů správy stále vyžaduje dobré porozumění konceptům cloudových platforem, takže se to nemusí hodit, pokud váš tým zatím nemá s cloudovými nástroji nebo infrastrukturou mnoho zkušeností
- Ruční správa dat : Platforma neautomatizuje nejnáročnější část čištění a strukturování surových dat, což znamená, že váš tým musí stále ručně zpracovat obrovské množství dat, než získáte spolehlivé výsledky
- Náklady na výpočetní výkon: Ceny za trénovací experimenty a hostování živých nasazení na IBM Watsonx se odvíjejí od využití, takže při rostoucím pracovním zatížení se cloudové zdroje mohou rychle spotřebovávat, jakmile škálujete, což vede k vyšším nákladům
- Integrace pracovních postupů: Reagování na předpovědi vyžaduje propojení s externími nástroji pro řízení projektů
- Složitost správy : Konfigurace monitorů spravedlnosti a odchylek zahrnuje několik kroků, které mohou být pro menší týmy náročné
Tato omezení pouze zdůrazňují, kde je třeba nasadit doplňkové nástroje. To platí zejména pro akční část prediktivního procesu.
📮 ClickUp Insight: 88 % respondentů našeho průzkumu používá AI pro své osobní úkoly, ale více než 50 % se bojí ji používat v práci. Jaké jsou tři hlavní překážky? Nedostatek hladké integrace, mezery ve znalostech nebo obavy o bezpečnost.
Ale co když je AI zabudována přímo do vašeho pracovního prostoru a je již zabezpečená? ClickUp Brain, vestavěný AI asistent ClickUp, to promění ve skutečnost. Rozumí pokynům v běžném jazyce, řeší všechny tři obavy spojené s přijetím AI a zároveň propojuje váš chat, úkoly, dokumenty a znalosti napříč pracovním prostorem. Najděte odpovědi a poznatky jediným kliknutím!
Alternativní nástroje AI pro prediktivní analytiku
Watsonx není jedinou možností na trhu pro prediktivní modelování. V závislosti na vašich technických znalostech se k vašemu stacku mohou lépe hodit jiné platformy. Níže uvedená tabulka je stručně porovnává.
| Nástroj | Nejvhodnější pro | Hlavní rozdíl |
| IBM Watsonx | Podnikové týmy, které potřebují řízenou a auditovatelnou AI | AutoAI + integrovaná správa a monitorování odchylek |
| Google Vertex AI | Týmy, které již používají Google Cloud | Úzká integrace se službami BigQuery a GCP |
| Azure Machine Learning | Organizace v ekosystému Microsoftu | Nativní připojení k Power BI a Azure DevOps |
| Amazon SageMaker | Týmy specializované na AWS s prostředky pro ML inženýrství | Rozsáhlá knihovna algoritmů a flexibilní prostředí notebooků |
| DataRobot | Obchodní analytici, kteří chtějí plně automatizované ML | Komplexní automatizace s výchozími nastaveními pro vysokou vysvětlitelnost |
| ClickUp Brain | Týmy, které potřebují poznatky založené na umělé inteligenci přímo integrované do svých projektových pracovních postupů | Kontextově orientovaná AI, která funguje napříč úkoly, dokumenty a dashboardy bez nutnosti přepínání mezi nástroji |
📮 ClickUp Insight: Přepínání mezi úkoly tiše sráží produktivitu tvého týmu. Náš výzkum ukazuje, že 42 % přerušení práce pochází z přeskakování mezi platformami, správy e-mailů a přeskakování mezi schůzkami. Co kdybys mohl tyto nákladné přerušení eliminovat?
ClickUp sjednocuje vaše pracovní postupy (a chat) pod jednou efektivní platformou. Spouštějte a spravujte své úkoly z chatu, dokumentů, tabulek a dalších míst – zatímco funkce založené na umělé inteligenci udržují kontext propojený, prohledávatelný a spravovatelný!
Nepoužívejte jen předpovědi, realizujte je s ClickUp
Používání IBM Watsonx pro prediktivní analytiku se řídí jasným postupem od přípravy dat až po monitorování odchylek, ale to je ta nejjednodušší část. Skutečná práce spočívá v tom, zajistit, aby tyto předpovědi skutečně změnily způsob práce vašeho týmu.
Předpovědi, které zůstávají v dashboardu a nikdo je nekontroluje, jsou prostě promarněným výpočetním výkonem, a týmy, které získávají skutečnou hodnotu, propojují výstupy svých modelů přímo se svými pracovními postupy prostřednictvím automatizovaných upozornění a úkolů s upravenými prioritami.
Pokud chcete jeden pracovní prostor, kde se již spojují poznatky z AI, realizace projektů a týmová komunikace, začněte ještě dnes zdarma s ClickUp. ✨
Často kladené otázky
Jedná se o podnikovou platformu pro data a umělou inteligenci určenou k vytváření, trénování a nasazování modelů strojového učení. Týmy ji využívají ke správě svých datových úložišť a monitorování správy umělé inteligence z jediného cloudového prostředí.
AutoAI je nástroj bez nutnosti programování, který automaticky analyzuje vaše tabulkové údaje a vybírá nejlepší algoritmy strojového učení. Vytváří vlastnosti a řadí kandidátské modely do žebříčku, abyste mohli nasadit tu nejpřesnější variantu.
Platforma vyžaduje důkladné porozumění cloudovým konceptům pro konfiguraci nasazovacích prostorů a monitorů správy. Také neautomatizuje manuální proces čištění a strukturování vašich surových dat před nahráním.