Erstellung von Prognosemodellen

Wann kann Machine Learning genutzt werden

Wenn Ihr Unternehmen über einen umfangreichen Datenbestand mit Entscheidungen in der Vergangenheit verfügt, können Data-Scientists diese Daten verwenden, um ein Machine Learning-Modell zu erstellen. Dieses Modell kann dann das Ergebnis neuer Entscheidungen auf der Basis dieser Daten vorhersagen. Die Genauigkeit der Vorhersage kann abhängig von der Größe und dem Bereich des Datenbestands variieren.

Wenn Sie ein Entscheidungsmodell entwerfen oder entworfen haben, können Sie es erweitern, indem Sie es mit Regeln, die Entscheidungen mit Machine Learning beschreiben, kombinieren, die Vorhersagen machen.

Wie kann Machine Learning in einem Entscheidungsmodell genutzt werden

Datenwissenschaftler setzen Modelle für maschinelles Lernen auf einer Plattform für maschinelles Lernen ein, z. B. Watson Machine Learning. Anschließend müssen Sie den Zugriff von einem Entscheidungsdienst auf die Anbieter für maschinelles Lernen konfigurieren, die die Modellbereitstellungen enthalten. Diese Provider werden in Decision Designer verfügbar und Sie können Bereitstellungen oder serialisierte Modelle von diesen Providern in Ihre Entscheidungsservices importieren.

Alternativ können Data-Scientists auch transparente Modelle für maschinelles Lernen bereitstellen, die ohne vorherige Konfiguration der Plattform in Decision Designer importiert werden können.

Wenn Sie ein Modell für maschinelles Lernen importieren, wird eine Vorhersagemodellvorlage erstellt, die alle Elemente zum Aufrufen des Modells für maschinelles Lernen enthält. Sie füllen diese Vorlage aus, damit das Vorhersagemodell Ihr maschinelles Lernmodell verwenden kann.

Zum Schluss schließen Sie das Vorhersagemodell in einen Entscheidungsknoten in Ihrem Entscheidungsmodell ein. Wenn das Entscheidungsmodell ausgeführt wird, berechnet das Machine Learning-Modell eine Vorhersage auf Basis der Eingaben des Entscheidungsknotens, im dem es enthalten ist.

Nehmen wir zum Beispiel ein Entscheidungsmodell, das festlegt, ob der Kreditantrag eines Kunden genehmigt werden soll. Sie verfügen über ein maschinelles Lernmodell, das auf der Grundlage einer Datenbank mit früheren Krediten vorhersagt, wie wahrscheinlich es ist, dass der Kunde den Kredit zurückzahlen wird. Um diese Vorhersage in Ihrem Entscheidungsmodell zu verwenden, kapseln Sie das maschinelle Lernmodell zunächst in ein Vorhersagemodell ein. Sie können dieses Vorhersagemodell dann in Ihre Entscheidungslogik integrieren.