Solutii inteligente 6: predictor de venit pentru Dynamics NAV – Microsoft Dynamics 365 Blog

Ne-am intors cu noi invatari din munca noastra cu invatarea maching – si cu o intrebare pentru dvs.:

Ce se intampla daca ati putea alege dintr-o biblioteca de modele de invatare automata publicate, fiecare realizata de experti in domeniul lor si sa o incorporati in solutia dvs. de afaceri?

In postarile anterioare ne-am uitat la:

Integrarea cu modelele Azure Machine Learning (ML) integrate in Dynamics NAV si

crearea si publicarea propriului model de invatare automata si apelarea acestuia din Dynamics NAV.

In aceasta postare vom analiza modelul esantion „Predictor de venituri” si cum sa-l facem disponibil pentru Dynamics NAV. Scopul este sa obtineti cateva lucruri practice in Azure ML Studio si apoi sa vedeti cum sa le conectati la Dynamics NAV.

Modelul predictor de venit

Modelul predictor de venit este un exemplu din cartea „Carti electronice gratuite: Microsoft Azure Essentials: Azure Machine Learning“. Modelul este o metoda de parcurs care construieste un experiment de invatare de la zero, care ofera informatii despre o persoana, cum ar fi varsta, sexul, educatia si multe altele, si pe baza acestuia predice daca persoana va castiga mai mult de 50.000 pe an sau nu. Folositi-l pentru verificari de credit, scorul clientilor, evaluarea salariilor angajatilor dvs. etc.

Exemplul, incepand cu capitolul 3, prezinta modul de a incepe cu Azure ML Studio, cum sa creati un experiment ML, cum sa il antrenati pe baza unui esantion de date si cum sa evaluati predictiile in comparatie cu ghicitul aleatoriu. De asemenea, include o parte din manipularea si curatarea datelor care ar putea fi necesare pentru a obtine date bune. Exemplul este complet fara cod sau script. Doar glisati si fixati modulele si setati proprietatile. Include selectarea unui tip de model (arborele de decizie amplificat in doua clase) si aplicarea acestuia la unele dintre datele de esantionare, folosind restul datelor de esantion pentru a verifica rezultatul. Dupa ce modelul este instruit, acesta este publicat ca serviciu web, iar Azure ML Studio va crea chiar si o foaie Excel care poate apela modelul publicat pentru a-l testa. Odata ce puteti apela modelul din Excel, bineinteles ca vrem sa-l numim din Dynamics NAV.

Creati si instruiti modelul

Urmati pasii din carte electronica pentru a face un experiment de la zero, sau puteti alege doar un esantion gata facut. Pentru a utiliza esantionul, accesati Azure ML Studio. Selectati Experimente -> nou, apoi selectati esantionul „Esantionul 5: Antrenati, testati, evaluati pentru clasificarea binara: set de date pentru adulti” si selectati „Deschideti in studio”:

In studio, adaugati Serviciu web – Intrare si iesire la model, astfel incat Dynamics NAV sa il poata accesa: Cautati „Serviciu web”, apoi trageti si fixati Intrare si iesire in model. Conectati „Intrarea serviciului web” la „Selectati coloanele din setul de date” si conectati „Iesirea serviciului web” la iesirea din „Evaluare model”:

SALVATI, apoi RUNATI modelul.

Publica modelul pe web

Faceti clic pe „SET UP SERVICE WEB”. Daca acest lucru nu este activat, atunci salvati si rulati proiectul (din nou). Selectati „Serviciu web predictiv [recomandat]”. Observati ca acest lucru rearanjeaza modelul scapand de modulele inutile. Acest lucru se datoreaza faptului ca, in acest moment, modelul este complet instruit, asa ca il absolvim si il trimitem in productie. Salvati si rulati din nou experimentul. Ar trebui sa arate acum:

Dupa rularea experimentului, faceti clic pe primul modul „Aplicati transformarea”, apoi faceti clic pe Iesire (1) si selectati Vizualizare. observati ca acesta are 15 coloane, ceea ce este important, deoarece intrarea pe care o trimitem prin intermediul serviciului web trebuie sa se potriveasca cu aceasta.

Vizualizati ultimul modul „Scor model” si vedeti ca acesta are 14 coloane. Coloanele care ne intereseaza sunt ultimele doua: „Scored Label” si „Scored Probability”. Acesta este rezultatul care ne intereseaza.

Salvati si rulati-l din nou, apoi faceti clic pe „DEPLOY WEB SERVICE”. Copiati cheia API pe care o obtineti, faceti clic pe „CERERE / RASPUNS” si copiati URI-ul POST. Acestea sunt cele doua biti de informatii de care aveti nevoie pentru a accesa noul dvs. serviciu web predictor de venituri. Derulati in jos sub URI pentru a vedea un exemplu de cerere cu cele 15 coloane de intrare. Copiati acest lucru, deoarece acesta arata coloanele pe care trebuie sa le corespunda solicitarea dvs.

Exemplul de cod C / AL este furnizat mai jos. Implementati acest lucru in Dynamics NAV 2017 sau Dynamics NAV 2018, apoi actualizati cheia si URI-ul in functia Initialize din partea de sus. apoi rulati-l. Speram ca va functiona si va va oferi predictie si probabilitate cu privire la datele pe care le trimiteti. Si acum aveti integrare de la Dynamics NAV la un model instruit in Azure.

Sugestii pentru exercitii suplimentare:

• Puneti la dispozitie un serviciu predictor de pe cardul angajatului pentru a spune daca un angajat ar trebui sa faca mai mult sau mai putin de 50.000.
• Editati modulul „Selectati coloanele din setul de date” pentru a elimina coloanele pe care nu le doriti.
• Gasiti un alt model, adaugati servicii web in / Iesire si conectati-l la Dynamics NAV.

Exemplu de cod C / AL

Creati o noua unitate de cod in NAV si creati aceste variabile globale:

Nume DataType Subtip AzureMLConnector Codeunit Azure ML Connector Result Text Result2 Text

Apoi copiati acest cod in declansatorul OnRun:

AzureMLConnector.Initialize ( ‘I1i + 9Pa1gUKIlteK8Ytj9k6euOUEe9OK5KG1Vcssub / C9Rhnbzo + Lmf5CJHz33NL1OpFgGDiWUPAkT8HKxZjnQ ==’, ‘https://ussouthcentral.services.azureml.net/workspaces/c352c6279dff4d908723a35a740e0c5d/services/a8620f768c8946b495d0df009788de12/execute?api-version=2.0&details=true’, 30 ); AzureMLConnector.SetInputName (‘input1’); AzureMLConnector.SetOutputName (‘output1’); AzureMLConnector.AddInputColumnName („varsta”); AzureMLConnector.AddInputColumnName („clasa de lucru”); AzureMLConnector.AddInputColumnName (‘fnlwgt’); AzureMLConnector.AddInputColumnName („educatie”); AzureMLConnector.AddInputColumnName (‘education-num’); AzureMLConnector.AddInputColumnName („stare civila”); AzureMLConnector.AddInputColumnName („ocupatie”); AzureMLConnector. AddInputColumnName („relatie”); AzureMLConnector.AddInputColumnName („cursa”); AzureMLConnector.AddInputColumnName („sex”); AzureMLConnector.AddInputColumnName („capital-gain”); AzureMLConnector.AddInputColumnName („pierderi de capital”); AzureMLConnector.AddInputColumnName („ore pe saptamana”); AzureMLConnector.AddInputColumnName („tara natala”); AzureMLConnector.AddInputColumnName („venit”); AzureMLConnector.AddInputRow; AzureMLConnector.AddInputValue (’42 ‘); AzureMLConnector.AddInputValue („Privat”); AzureMLConnector.AddInputValue (‘159449’); AzureMLConnector.AddInputValue („Masters”); AzureMLConnector.AddInputValue (’13 ‘); AzureMLConnector.AddInputValue („Casatorit-civ-sot”); AzureMLConnector.AddInputValue („Exec-managerial”); AzureMLConnector.AddInputValue („Nu este in familie”); AzureMLConnector.AddInputValue („Alb”); AzureMLConnector.AddInputValue („Male”); AzureMLConnector.AddInputValue (‘0’); AzureMLConnector.AddInputValue (‘0’); AzureMLConnector.AddInputValue (’40 ‘); AzureMLConnector.AddInputValue („Statele Unite”); AzureMLConnector.AddInputValue (‘<= 50K’); AzureMLConnector.SendToAzureML; IF AzureMLConnector.GetOutput (1,13, Result) THEN IF AzureMLConnector.GetOutput (1,14, Result2) THEN MESSAGE („Predictia este% 1, probabilitate% 2”, Rezultat, Result2) AddInputValue (’40 ‘); AzureMLConnector.AddInputValue („Statele Unite”); AzureMLConnector.AddInputValue (‘<= 50K’); AzureMLConnector.SendToAzureML; IF AzureMLConnector.GetOutput (1,13, Result) THEN IF AzureMLConnector.GetOutput (1,14, Result2) THEN MESSAGE („Predictia este% 1, probabilitate% 2”, Rezultat, Result2) AddInputValue (’40 ‘); AzureMLConnector.AddInputValue („Statele Unite”); AzureMLConnector.AddInputValue (‘<= 50K’); AzureMLConnector.SendToAzureML; IF AzureMLConnector.GetOutput (1,13, Rezultat) THEN IF AzureMLConnector.GetOutput (1,14, Result2) THEN MESSAGE („Predictia este% 1, probabilitate% 2”, Rezultat, Result2)

Bucurati-va!