Entrena y predice un modelo de IA - Power Platform

Tabla de Contenidos

1. Introducción
2. Tipos de Predicción
   1. Predicción Binaria
   2. Predicción de Múltiples Resultados
   3. Predicción Numérica
3. Preparación de los Datos
   1. Formato Correcto de los Datos
   2. Cantidad de Registros Necesarios
4. Importar los Datos a la Base de Datos
   1. Verificar la Disponibilidad de los Datos
   2. Importar los Datos desde OneDrive a la Base de Datos
5. Construir y Entrenar el Modelo de Predicción
   1. Crear un Nuevo Proyecto en Power Apps
   2. Seleccionar las Columnas Relevantes
   3. Filtrar los Datos (Opcional)
   4. Entrenar el Modelo
6. Evaluar el Desempeño del Modelo
   1. Interpretar la Calificación del Modelo
   2. Retraining del Modelo (Opcional)
   3. Publicar el Modelo
7. Utilizar el Modelo de Predicción en Power Automate
8. Conclusiones
9. Comentarios y Feedback

• ✨📊📈🔮💡💻

Cómo Entrenar y Predecir un Modelo usando Datos Históricos

En este artículo, exploraremos cómo entrenar y predecir un modelo utilizando datos históricos, específicamente en el contexto de la predicción de llegada a tiempo de automóviles, como Uber o Lyft.

1. Introducción

El entrenamiento y la predicción de modelos basados en datos históricos es una técnica ampliamente utilizada en el campo de la inteligencia artificial. Con la disponibilidad de grandes conjuntos de datos y herramientas como Power Apps, podemos desarrollar modelos de predicción precisos y confiables. En este artículo, veremos el proceso paso a paso para entrenar y predecir un modelo de predicción binaria utilizando datos históricos de llegadas de automóviles.

2. Tipos de Predicción

Existen diferentes tipos de predicción que podemos realizar utilizando modelos entrenados con datos históricos. En este caso particular, nos enfocaremos en tres tipos:

2.1 Predicción Binaria

La predicción binaria implica predecir una de dos posibles respuestas, como "sí" o "no", "verdadero" o "falso", etc. En el contexto de la llegada de automóviles, podríamos predecir si un automóvil llegará a tiempo o no.

2.2 Predicción de Múltiples Resultados

La predicción de múltiples resultados implica predecir una de varias opciones posibles. Por ejemplo, en lugar de solo predecir si un automóvil llegará a tiempo o no, podríamos predecir si llegará temprano, a tiempo o tarde.

2.3 Predicción Numérica

La predicción numérica implica predecir un valor numérico específico. En este contexto, podríamos predecir la cantidad de minutos en los que un automóvil llegará tarde, en caso de que la predicción sea negativa.

3. Preparación de los Datos

Antes de poder entrenar nuestro modelo de predicción, debemos asegurarnos de que nuestros datos estén en el formato correcto y que tengamos suficientes registros históricos.

3.1 Formato Correcto de los Datos

Los datos deben estar estructurados de manera adecuada y en una base de datos para facilitar su acceso y manipulación. Los datos históricos relevantes para nuestro modelo deben incluir al menos las siguientes columnas: "Feriado", "Hora del Día" (mañana, tarde, noche) y "Llegada a Tiempo" (que puede estar en blanco para los datos de prueba).

3.2 Cantidad de Registros Necesarios

Para obtener los mejores resultados, se recomienda tener al menos 50 registros históricos para cada clase o resultado que se quiera predecir. Sin embargo, para obtener resultados más precisos, se recomienda tener al menos mil registros históricos.

4. Importar los Datos a la Base de Datos

Una vez que hemos preparado nuestros datos, podemos importarlos a una base de datos para facilitar su acceso y uso en el proceso de entrenamiento del modelo. A continuación, se explica cómo importar los datos desde OneDrive a la base de datos:

1. Abre tu OneDrive y selecciona el archivo CSV con los datos preparados.
2. Navega hasta tu entorno de Power Apps y haz clic en "Tablas" bajo la sección de Datos en la barra de navegación izquierda.
3. Haz clic en "Obtener Datos" y selecciona "Texto" o "Archivo CSV".
4. Selecciona el archivo CSV que se encuentra en OneDrive y haz clic en "Siguiente".
5. Verifica que los datos se hayan transformado correctamente y haz clic en "Siguiente".
6. Dale un nombre a la tabla y selecciona si deseas que la columna numérica sea única o generada automáticamente. Haz clic en "Crear".
7. Verifica que la tabla y los datos hayan sido importados correctamente.

5. Construir y Entrenar el Modelo de Predicción

Una vez que nuestros datos han sido importados correctamente, podemos comenzar a construir y entrenar nuestro modelo de predicción utilizando Power Apps. Aquí explicaremos los pasos necesarios para lograrlo:

1. Accede a Power Apps y haz clic en "Crear" debajo de la sección de Creación en la barra de navegación izquierda.
2. Selecciona "Predicción" y dale un nombre a tu proyecto, como "Predicción de Llegada a Tiempo de Automóviles".
3. Selecciona la tabla "Llegada a Tiempo" como destino para la predicción.
4. Selecciona las columnas relevantes para entrenar el modelo, como "Feriado" y "Hora del Día".
5. Aplica cualquier filtro adicional si es necesario y haz clic en "Siguiente".
6. Haz clic en "Entrenar" para comenzar el proceso de entrenamiento del modelo.

6. Evaluar el Desempeño del Modelo

Después de entrenar nuestro modelo de predicción, es importante evaluar su desempeño para asegurarnos de que sea preciso y confiable. Aquí se explica cómo interpretar la calificación del modelo:

1. Ve a "Detalles" para ver la calificación del modelo.
2. Una calificación de "C" indica que el modelo ha predicho correctamente entre el 89% y el 90% de los resultados reales.
3. Haz clic en "Ver Detalles" para obtener más información sobre el rendimiento del modelo.

Si deseamos mejorar la precisión de nuestro modelo, podemos reentrenarlo utilizando más datos históricos o mejorar los filtros aplicados durante el proceso de entrenamiento.

Además, podemos publicar nuestro modelo para utilizarlo en Power Automate y realizar predicciones en tiempo real.

7. Utilizar el Modelo de Predicción en Power Automate

Una vez que hayamos entrenado y publicado nuestro modelo de predicción, podemos utilizarlo en Power Automate para realizar predicciones en tiempo real. Esto nos permitirá aplicar la predicción de llegadas a tiempo de automóviles en situaciones prácticas y automatizadas.

8. Conclusiones

En este artículo, hemos explorado paso a paso el proceso de entrenar y predecir un modelo utilizando datos históricos de llegadas a tiempo de automóviles. Podemos aplicar estos conceptos y técnicas en diversos casos de uso y sectores para obtener predicciones más precisas. El entrenamiento de modelos basados en datos históricos es una herramienta poderosa para la Toma de decisiones y la optimización de procesos.

Esperamos que esta guía haya sido útil y te anime a explorar más sobre la predicción de datos históricos y su aplicación en el mundo real.

9. Comentarios y Feedback

Nos encantaría recibir tus comentarios y opiniones sobre este artículo. Si tienes alguna pregunta o sugerencia, déjanos un comentario a continuación. ¡Gracias por leer!

FAQ

P1. ¿Por qué es importante tener al menos 50 registros históricos para cada clase en el proceso de entrenamiento? R1. Tener al menos 50 registros históricos por clase garantiza que el modelo tenga suficiente información para identificar patrones y tendencias. Cuantos más datos históricos tengamos, mayores serán las posibilidades de que el modelo haga predicciones precisas.

P2. ¿Qué otro tipo de columnas podríamos considerar para el entrenamiento del modelo de predicción? R2. Además de las columnas "Feriado" y "Hora del Día", también podríamos considerar otras variables relevantes, como la ubicación geográfica, el día de la semana o incluso el tipo de vehículo utilizado. Estas variables adicionales pueden ayudar a mejorar la precisión de las predicciones.

P3. ¿Qué tan preciso debe ser el modelo para considerarlo confiable? R3. Si bien cada caso puede ser diferente, generalmente se considera que un modelo con una precisión entre el 80% y el 90% es confiable. Sin embargo, es importante recordar que esto puede variar dependiendo de la aplicación y las expectativas del usuario.

P4. ¿Cómo se puede mejorar la precisión del modelo? R4. Para mejorar la precisión del modelo, se pueden realizar varias acciones, como agregar más datos históricos, refinar los filtros utilizados durante el entrenamiento y experimentar con diferentes algoritmos de aprendizaje automático. Además, es posible ajustar los hiperparámetros del modelo y realizar un análisis exhaustivo de las características de los datos.

P5. ¿Existen otras herramientas además de Power Apps que se pueden utilizar para entrenar y predecir modelos basados en datos históricos? R5. Sí, hay varias herramientas disponibles en el mercado para el entrenamiento y la predicción de modelos basados en datos históricos. Algunas opciones populares incluyen Python con bibliotecas como Scikit-learn y TensorFlow, así como herramientas de ciencia de datos como RapidMiner y KNIME.

Recursos:

• Power Apps
• OneDrive
• Scikit-learn
• TensorFlow
• RapidMiner
• KNIME