Introducción
Artificial Intelligence para Automation Service, es una aplicación que le permite explorar las capacidades de aprendizaje de máquina en sus procesos Bizagi, de modo que los procesos pueden contar con un análisis predictivo que se basa en los datos confiables que usted tiene en un Dataset Bizagi.
A través del análisis predictivo, se pueden entrenar modelos y realizar experimentos que se basan en renombrados algoritmos de aprendizaje de máquinas para determinar un resultado determinado basado en datos almacenados con un grado de certeza determinado.
Para tales modelos, puede configurar fácilmente sus procesos Bizagi para que presenten una predicción una vez que se hayan recibido ciertos datos, ya sea como valor predeterminado o para proponer al usuario.
Para obtener información introductoria sobre esta aplicación, consulte Bizagi Artificial Intelligence.
Esta sección describe cómo empezar con Artificial Intelligence, para crear modelos y experimentos de Inteligencia Artificial (AI).
Modelos y experimentos de Inteligencia Artificial (AI)
Para trabajar con Artificial Intelligence y sus capacidades para Automation Service, se necesita una fuente de datos con la que los servicios de AI funcionen.
Como es habitual en el aprendizaje de las máquinas, se construye un modelo basado en entradas de muestra.
Definir esa fuente de datos creando un modelo en la interfaz de usuario de Artificial Intelligence de Bizagi.
Para ese modelo, puedes crear cualquier número de experimentos asociados. Dentro de cada experimento, puedes evaluar posibles combinaciones de parámetros y algoritmos de entrada y los resultados que devuelven.
Los resultados que se obtengan serán en términos de un algoritmo sugerido para una declaración de caso de uso con una certeza pronosticada para esa salida dada (atributo).
Para la predicción se definen atributos relevantes como parámetros de entrada.
La siguiente imagen ilustra este concepto:
Puede crear más experimentos para diferentes pruebas para refinar la certeza de la predicción para que sea mejor en nuevos experimentos.
Necesita saber, y especificar antes del comienzo del experimento, el atributo sobre el cual quiere una predicción para obtener resultados significativos. (un tratamiento de aprendizaje supervisado).
Certeza de predicción
Un experimento de AI presenta la certeza o precisión de una predicción.
La precisión es un porcentaje de exactitud cuando se predice un atributo categórico. Por otro lado, un valor de error estándar se utiliza cuando se predice un atributo numérico.
•Precisión
La exactitud de la predicción puede considerarse como el número de predicciones correctas dividido por el total de predicciones realizadas (y luego convertido en un porcentaje).
La determinación de si una exactitud determinada es apropiada, depende del caso de uso específico.
Sin embargo, es común que una precisión superior al 70% pueda considerarse buena y fiable (cuanto mayor sea la precisión, mejor).
La precisión se aplica a los atributos con tipo de datos categóricos.
Ejemplos de datos categóricos son:
oTipos de roca: ígnea, sedimentaria o metamórfica.
oUn lugar geográfico con nombre donde vive la gente (país, estado o ciudad).
oUna condición médica que puede ser diagnosticada como verdadera o falsa.
•Error estándar
El error estándar de la predicción puede considerarse como la medida con la que un valor representa la población o los datos completos.
La determinación de si un determinado error estándar es apropiado, depende del caso de uso específico.
Para tal decisión, recomendamos que se analice la distribución de datos del atributo a predecir.
Cuanto menor sea el error estándar, mejor será.
El error estándar se aplica a los atributos con tipos de datos continuos.
Los ejemplos de datos continuos suelen ser valores numéricos, como por ejemplo:
oUna duración (por ejemplo, un tiempo transcurrido medido en segundos).
oUna cantidad contable de elementos.
oEl precio de un artículo.
|
Aunque se debe aspirar a una buena certeza de predicción, esto no protege a su modelo de tener una alta varianza o sesgo. Asegúrese de que sus datos sean definitivos y fiables y que no necesiten más preparación. Recomendamos tener una gran cantidad de información en el Dataset para que pueda ejecutar experimentos fiables que produzcan resultados significativos. |
Procedimiento
Para crear un nuevo modelo, siga estos pasos:
1. Ingrese al portal de Artificial Intelligence de Bizagi.
En https://ai-[NombredeCliente].bizagi.com/, proporcione sus credenciales de usuario e inicie sesión.
2. Cree un nuevo Experimento.
Haga clic en Nuevo proyecto de Artificial Intelligence para crear un proyecto de AI:
Se abre el Asistente de Experimentos. Haga clic en ¡Vamos!.
2.1 Cree un Proyecto de AI.
Cree un proyecto de AI para ayudarle a clasificar y organizar los elementos de AI que crea.
Déle al proyecto de AI un Nombre y una Descripción significativa, y haga clic en Siguiente cuando esté listo.
Un proyecto de AI no está relacionado con un proyecto de Bizagi que tenga procesos.
El propósito principal del proyecto de AI es ayudar a organizar el conjunto de modelos y experimentos de AI que se crean.
Asigne un Nombre y una Descripción significativa, y configure lo siguiente adecuadamente:
•Datasource: Seleccione el Dataset en un proyecto de Dataset que contenga los datos que desea utilizar
•Ambiente: Seleccione un entorno del Dataset con los datos que desea utilizar.
Siempre debe seleccionar un Dataset con datos de un ambiente de producción.
Experimentar con datos no reales puede dar resultados que no son aplicables al uso real de sus aplicaciones.
Haga clic en Siguiente cuando termine.
Establezca la fuente de datos de la que se toman los datos de la muestra.
Puede elegir entre proyectos de Business Insights, Datasets y sus ambientes, que pertenecen a su suscripción de Automation Service.
La imagen de abajo muestra el proyecto Business Insights y el Dataset empleado para la fuente de datos del modelo de AI:
3. Cree un Experimento de I.A.
Finalmente, cree un experimento. Dele un Nombre y una Descripción significativa.
Haga clic en Finalizar cuando termine.
En este punto, su experimento está listo para ayudarle a hacer predicciones.
Para aprender a configurar el experimento y trabajar con sus resultados, consulte Trabajar con experimentos de AI.