Formation d'un modèle IA prédictif - Power Platform

Table des matières:

1. Introduction

• 1.1 Aperçu du sujet
• 1.2 Objectif de l'article

2. Présentation du modèle de prédiction

• 2.1 Types de prédictions
• 2.2 Utilisation de données historiques
• 2.3 Préparation des données de formation

3. Importation des données dans la base de données

• 3.1 Préparation des données d'échantillon
• 3.2 Importation des données dans OneDrive
• 3.3 Mise en place de la base de données

4. Construction et formation du modèle

• 4.1 Utilisation de Power Apps pour la construction du modèle
• 4.2 Sélection des colonnes de données
• 4.3 Filtres et préférences de formation
• 4.4 Évaluation des performances du modèle

5. Utilisation et publication du modèle

• 5.1 Utilisation du modèle dans Power Automate
• 5.2 Publication du modèle
• 5.3 Utilisation du modèle dans d'autres scénarios

6. Conclusion

• 6.1 Récapitulatif des étapes
• 6.2 Perspectives futures

Prédire les arrivées en temps voulu : Un guide complet

📌 1. Introduction

1.1 Aperçu du sujet

La prédiction joue un rôle essentiel dans de nombreux domaines, y compris les transports et les services de livraison. Dans cet article, nous allons nous pencher sur la manière de former un modèle de prédiction qui peut prédire si une voiture de transport comme Uber ou Lyft arrivera à l'heure ou non. Nous aborderons les différentes étapes de la construction de ce modèle et discuterons des meilleures pratiques pour obtenir des prédictions précises.

1.2 Objectif de l'article

L'objectif de cet article est de vous guider à travers le processus de formation d'un modèle de prédiction pour les arrivées en temps voulu des voitures de transport. Nous vous fournirons des instructions détaillées étape par étape, en mettant l'accent sur l'utilisation des outils de Microsoft, tels que Power Apps et Power Automate. À la fin de cet article, vous serez en mesure de construire votre propre modèle de prédiction personnalisé et de l'utiliser dans différents scénarios.

📌 2. Présentation du modèle de prédiction

2.1 Types de prédictions

Avant de plonger dans le processus de formation du modèle de prédiction, il est important de comprendre les différents types de prédictions. Dans notre cas, nous avons trois types de prédictions : la prédiction binaire, la prédiction à multiples résultats et la prédiction numérique. La prédiction binaire se rapporte à des réponses simples comme "oui" ou "non", "véhicule arrivé à l'heure" ou "véhicule en retard". La prédiction à multiples résultats concerne des scénarios où il y a plus de deux résultats possibles. Enfin, la prédiction numérique est utilisée pour des réponses basées sur des nombres, tels que des estimations de temps d'arrivée.

2.2 Utilisation de données historiques

La clé pour former un modèle de prédiction précis est d'utiliser des données historiques pertinentes. Dans notre cas, nous avons besoin d'au moins 10 enregistrements d'arrivées historiques pour chaque classe (à l'heure ou en retard). Cependant, pour obtenir les meilleurs résultats, il est recommandé d'avoir au moins un millier d'enregistrements. Vous pouvez utiliser des données d'échantillon fournies par Microsoft ou préparer vos propres données en fonction de vos besoins commerciaux spécifiques.

2.3 Préparation des données de formation

Avant de construire le modèle, il est essentiel de préparer correctement les données de formation. Vous devez vous assurer que vos données sont stockées dans une base de données et qu'elles sont structurées dans un format correct. Les colonnes importantes pour notre modèle sont "jour férié", "heure de la journée" et "à l'heure". Vous pouvez utiliser des données d'échantillon fournies par Microsoft ou préparer vos propres données en les important dans OneDrive. Une fois les données importées, vous pouvez passer à l'étape suivante : la construction et la formation du modèle.

📌 3. Importation des données dans la base de données

3.1 Préparation des données d'échantillon

Avant d'importer les données dans la base de données, vous devez vous assurer que les données sont stockées dans un fichier CSV. Ce fichier devrait contenir les colonnes pertinentes telles que "jour férié", "heure de la journée" et "à l'heure". Vous pouvez utiliser les données d'échantillon fournies par Microsoft ou préparer vos propres données en vous assurant qu'elles sont structurées de manière appropriée.

3.2 Importation des données dans OneDrive

Une fois que vous avez préparé vos données d'échantillon, vous pouvez les importer dans OneDrive. Assurez-vous que les données sont stockées dans un espace de stockage sûr et accessible par votre environnement de travail.

3.3 Mise en place de la base de données

Pour importer les données dans la base de données, ouvrez votre navigateur et accédez à votre environnement Power Apps. Dans le volet de navigation de gauche, sélectionnez "Tables" sous "Données". Cliquez sur "Importer des données" et choisissez le fichier CSV contenant vos données. Suivez les instructions à l'écran pour importer les données dans la base de données.

📌 4. Construction et formation du modèle

4.1 Utilisation de Power Apps pour la construction du modèle

Pour construire notre modèle de prédiction, nous utiliserons Power Apps, un outil puissant de développement d'applications. Dans Power Apps, cliquez sur "Construire" sous "AI Builder" dans le volet de navigation de gauche. Sélectionnez "Prédiction" et donnez un nom à votre modèle, par exemple "Prédire les arrivées à l'heure".

4.2 Sélection des colonnes de données

Dans Power Apps, vous devrez sélectionner les colonnes de données qui seront utilisées pour former le modèle. Dans notre cas, nous sélectionnerons les colonnes "jour férié" et "heure de la journée". Ces deux colonnes fournissent des informations importantes pour prédire si une voiture arrivera à l'heure ou non. Vous pouvez également sélectionner d'autres colonnes pertinentes en fonction de vos besoins.

4.3 Filtres et préférences de formation

Avant de commencer la formation du modèle, vous pouvez appliquer des filtres et des préférences pour affiner les résultats. Par exemple, vous pouvez filtrer les données en fonction de la ville ou de l'État pour lesquels vous souhaitez prédire les arrivées à l'heure. Vous pouvez également ajuster les paramètres de formation en fonction de vos préférences.

4.4 Évaluation des performances du modèle

Une fois que le modèle est entraîné, vous pouvez évaluer ses performances. Power Apps fournit une évaluation détaillée de la précision du modèle, qui est exprimée en pourcentage. Vous pouvez également réentrainer le modèle avec des données supplémentaires pour améliorer ses performances, le cas échéant.

📌 5. Utilisation et publication du modèle

5.1 Utilisation du modèle dans Power Automate

Une fois que le modèle de prédiction est construit et formé, vous pouvez l'utiliser dans Power Automate pour automatiser les processus liés aux arrivées en temps voulu des voitures de transport. Power Automate vous permet de définir des flux de travail et des déclencheurs basés sur les prédictions générées par le modèle. Par exemple, vous pouvez envoyer une notification à un utilisateur lorsque le modèle prédit qu'une voiture arrivera en retard.

5.2 Publication du modèle

Lorsque vous êtes satisfait des performances de votre modèle, vous pouvez le publier pour qu'il soit accessible à d'autres utilisateurs ou à d'autres applications. La publication du modèle le rend disponible dans la galerie d'applications de Power Apps et permet aux autres utilisateurs d'exploiter sa puissance.

5.3 Utilisation du modèle dans d'autres scénarios

En dehors de Power Automate, vous pouvez également utiliser le modèle de prédiction dans d'autres scénarios. Par exemple, vous pouvez l'intégrer dans une application web ou mobile pour afficher les prédictions en temps réel. Vous pouvez également utiliser l'API du modèle pour l'intégrer dans d'autres applications tierces ou services.

📌 6. Conclusion

6.1 Récapitulatif des étapes

Dans cet article, nous avons exploré le processus de construction et de formation d'un modèle de prédiction pour les arrivées en temps voulu des voitures de transport. Nous avons discuté des étapes clés, de l'importation des données dans la base de données à la construction du modèle dans Power Apps. Nous avons également abordé les différentes utilisations du modèle dans Power Automate et d'autres scénarios.

6.2 Perspectives futures

La prédiction des arrivées en temps voulu des voitures de transport est un domaine en constante évolution. À l'avenir, nous pouvons nous attendre à des améliorations dans les modèles de prédiction, notamment grâce à l'utilisation de l'apprentissage automatique et de l'intelligence artificielle. Il est également possible d'étendre l'utilisation du modèle à d'autres domaines, tels que les services de livraison et les transports en commun.

Merci d'avoir suivi ce guide complet sur la prédiction des arrivées en temps voulu des voitures de transport. Si vous avez des questions ou des commentaires, n'hésitez pas à les laisser ci-dessous. À bientôt !

Faits saillants:

• Formation d'un modèle de prédiction pour les arrivées en temps voulu des voitures de transport
• Utilisation de données historiques pour former le modèle
• Importation des données dans OneDrive
• Construction du modèle dans Power Apps
• Utilisation du modèle dans Power Automate
• Publication du modèle pour une utilisation ultérieure

FAQ:

Q: Quelle est l'importance de la préparation des données de formation? A: La préparation des données de formation est essentielle car elle garantit que le modèle de prédiction est formé sur des données pertinentes et structurées correctement. Cela garantit également des prédictions précises et fiables.

Q: Est-il possible de réentrainer le modèle avec des données supplémentaires? A: Oui, il est possible de réentrainer le modèle avec des données supplémentaires pour améliorer ses performances. Cela peut être fait à tout moment pour obtenir des résultats plus précis.

Q: Peut-on utiliser le modèle de prédiction dans d'autres applications ou services? A: Oui, le modèle de prédiction peut être utilisé dans d'autres applications ou services en utilisant son API. Cela permet une intégration transparente dans différents scénarios et maximise son utilité.

Ressources:

• Microsoft Power Apps
• Microsoft Power Automate