AI Durum Tahmini

Hızlı Başlangıç: Önceden Hazırlanmış Python Şablonları

mindzie, Python yazmadan AI Durum Tahmini çalıştırabilmeniz için üç hazır yüklenebilir şablon paketi sunar. Tahmin Değeri Sütunu ile eşleşen paketi seçin, zip dosyasını indirin ve AI Durum Tahmini bloğunun Model Yükle menüsünden yükleyin - hepsi bu kadar.

Şablon	Tahmin Değeri Sütunu... olduğunda kullanılır	Tipik örnekler	İndir
İkili Sınıflandırıcı	Tam olarak 2 kategori	"Onaylandı" / "Reddedildi", Doğru / Yanlış, 0 / 1, "Geçti" / "Kaldı"	mindzie_ai_binary_classifier_v1.zip
Çoklu Sınıf Sınıflandırıcı	3 veya daha fazla kategori	"Düşük" / "Orta" / "Yüksek", bölge kodları, durum kategorileri	mindzie_ai_multiclass_classifier_v1.zip
Regresyon	Bir sürekli sayısal değer	saniye cinsinden süre, dolar tutarı, ürün sayısı, yüzde	mindzie_ai_regressor_v1.zip

Üç paket de genel amaçlıdır - çalıştırma zamanında mindzieStudio’nun yazdığı şema dosyalarından sütun isimlerini ve türlerini okur, böylece herhangi özellik ve hedef sütun ismi kombinasyonu ile çalışır. Zip dosyası içindekiler üzerinde herhangi bir değişiklik yapmanız gerekmez.

Tam yükleme iş akışı ekran görüntüleriyle, her şablonun otomatik olarak neyi ele aldığı ve nasıl özelleştirileceği bilgisi için sayfanın aşağısındaki Önceden Hazırlanmış Python Şablonlarının Kullanımı bölümüne bakınız.

Genel Bakış

AI Durum Tahmini zenginleştirmesi, süreç verilerinizdeki geçmiş desenlere dayanarak durum sonuçları, davranışları veya özellikleri hakkında tahmin yapmak için makine öğrenimi ve yapay zekadan yararlanmanızı sağlar. Bu güçlü zenginleştirme, mevcut durum özniteliklerinizi kullanarak tahmin modelleri eğitir ve ardından tahmin edilmeyen değerleri mevcut veya gelecekteki durumlar için tahmin eder.

Geleneksel kural tabanlı zenginleştirmelerin aksine, AI Durum Tahmini veri içerisindeki karmaşık desenleri ve ilişkileri keşfetmek için istatistiksel öğrenme algoritmaları kullanır. Zenginleştirme, sınıflandırma görevlerini (kategori veya sonuç tahmini) destekler ve süreç madenciliği iş akışınızda model eğitimi ile tahmin uygulanmasını sağlar.

Bu zenginleştirme özellikle süreç optimizasyonu, risk yönetimi ve proaktif karar alma için değerlidir. Durum sonuçlarını süreç yaşam döngüsünün erken aşamasında tahmin ederek, önleyici tedbirler alabilir, kaynakları daha etkili tahsis edebilir ve olası sorunları önceden tespit edebilirsiniz.

Yaygın Kullanımlar

Sonuç Tahmini: Bir durumun onaylanıp onaylanmayacağını, zamanında tamamlanıp tamamlanmayacağını veya başarılı olup olmayacağını erken durum özelliklerine göre tahmin etmek
Risk Değerlendirmesi: Sorun yaşaması, tekrar çalışması gerektirmesi veya müşteri şikayetine yol açma ihtimali yüksek yüksek riskli durumları tespit etmek
Süre Tahmini: Bir durumun tamamlanmasının ne kadar süreceğini başlangıç özellikleri ve mevcut ilerlemeye göre ön görmek
Kaynak Tahsisi: Karmaşıklık göstergelerine göre hangi durumların özel işlem veya ekstra kaynak gerektireceğini tahmin etmek
Müşteri Kaybı Önleme: Davranış kalıplarına göre hangi müşteri durumlarının iptal veya terk riskinde olduğunu tahmin etmek
Kalite Tahmini: Süreç yürütme desenlerine dayanarak bir durumun kalite standartlarını karşılayıp karşılamayacağını veya ek denetim gerektirip gerektirmediğini ön görmek
Maliyet Tahmini: Başlangıç parametreleri ve erken faaliyet desenlerine göre bir durumun nihai maliyetini tahmin etmek

Ayarlar

Tahmin Türü

Tahmin Türü: Yapılacak makine öğrenimi görev türünü belirtir. Şu anda zenginleştirme, kategorik sonuçları ya da sınıf etiketlerini tahmin eden Sınıflandırmayı desteklemektedir.

Sınıflandırma: "Onaylandı/Reddedildi", "Yüksek Risk/Düşük Risk", "Zamanında/Gecikmeli" gibi ayrık kategorileri veya sonuçları tahmin etmek için kullanılır. Model, özellik sütunlarındaki desenlere göre durumları önceden tanımlanmış gruplara ayırmayı öğrenir.
Regresyon: (Gelecekte) Sürekli sayısal değerleri (süreler, maliyetler, miktarlar) tahmin edecek
Kümeleme: (Gelecekte) Önceden tanımlı kategoriler olmadan benzer durumları gruplayacak
Zaman Serisi: (Gelecekte) Zamansal desen ve dizileri tahmin edecek
Anomali Tespiti: (Gelecekte) Olağan dışı veya aykırı durumu belirleyecek
Öneri: (Gelecekte) En iyi sonraki adımları veya faaliyetleri önerecek

Çoğu iş kullanımı için, belirgin kategorilere ayrılan spesifik bir sonucu tahmin etmek istiyorsanız Sınıflandırma uygun bir seçimdir.

Özellik Sütunları

Özellik Sütunları: Eğitim ve tahmin için girdi olarak kullanılacak durum özniteliklerini seçin. Bunlar, AI modelinin tahmin yapmak için analiz edeceği bağımsız değişkenlerdir. Tahmin etmeye çalıştığınız sonucu etkilediğini veya ilişkili olduğunu düşündüğünüz öznitelikleri seçin.

Özellik sütunu seçimi için en iyi uygulamalar:

Erken tahmin yapmak istiyorsanız, durum yaşam döngüsünde erken bilinen öznitelikleri dahil edin
İyi veri kalitesine sahip (eksik verisi az) öznitelikleri seçin
Daha zengin desenler için hem kategorik hem sayısal öznitelikleri dahil edin
Tahmin edilen hedef sütunu (Tahmin Değeri Sütunu) özellik olarak seçmeyin
Sonuçları etkileyen faktörler hakkında alan bilginizi kullanın
3-10 arası ilgili özellik ile başlayın; çok fazla özellik model doğruluğunu düşürebilir

Faydalı özellik sütunu örnekleri:

Müşteri türü, bölge veya segment
Sipariş tutarı, öncelik veya kategori
İlk talep özellikleri
Kaynak atamaları veya departman
Zaman bazlı özellikler (hafta günü, ay, mevsim)

Tahmin Değeri Sütunu

Tahmin Değeri Sütunu: Eğitim sırasında modelin öğrenmesi için içinde bilinen sonuçların bulunduğu durum özniteliğini seçin. Bu bağımlı değişken veya hedef sütundur ve yeni durumlar için modelin tahmin edeceği değerdir. Bu sütun, eğitim verilerinizde bilinen değerlere sahip olmalı ancak tahmin yapılacak durumlarda boş olabilir.

Sınıflandırma tahmin türünde geçerli sütunlar:

Metin kategoriler (ör. "Onaylandı", "Reddedildi", "Beklemede")
Boolean öznitelikler (true/false sonuçlar)
Kategorileri temsil eden tamsayı öznitelikler

Tahmin Değeri Sütunu:

Tahmin etmek istediğiniz gerçek sonucu içermelidir
Eğitim verilerinde her kategori için yeterli örnek olmalıdır
Tahmin etmek istediğiniz ana iş çıktısı olmalıdır
Tahmin yapacağınız anda bilinememelidir veya mevcut olmamalıdır

Eğitim Filtreleri

Eğitim Filtreleri: AI modelinin eğitimi için hangi durumların kullanılacağını belirleyen filtre kriterlerini tanımlayın. Bu, model eğitiminde sadece yüksek kaliteli, eksiksiz durumların kullanılmasını sağlar ve temsil edici olmayan ya da eksik verisi olan durumları hariç tutar.

Yaygın eğitim filtre senaryoları:

Sadece tamamlanmış durumları dahil et (devam edenleri dışla)
Tahmin değeri bilinen durumları dahil et (boş olmayan)
Veri kalitesi sorunları ya da eksik özellik değeri olanları dışla
Güncel süreç desenleri için sadece yakın tarihli durumları dahil et
Belirli zaman dilimleri, departmanlar veya bölgelerle filtrele
Eğitim setini farklı sonuç kategorilerinde dengelemek için eşit sayıda örnek al

Örnek: "Case End Time boş değil VE Sonuç boş değil VE Case Start Time 2024-01-01 sonrası"

Tahmin Filtreleri

Tahmin Filtreleri: Zenginleştirme çalıştığında hangi durumlara tahmin yapılacağını belirlemek için filtre kriterlerini tanımlayın. Bu, tahminlerin en değerli olduğu veya sonucun henüz bilinmediği durumlar için seçici tahmin yapmanızı sağlar.

Yaygın tahmin filtre senaryoları:

Sadece devam eden durumları dahil et (sonuç henüz bilinmeyen)
Tahmin değeri boş olan durumları dahil et
Belirli zaman dilimleri veya mevcut aktif durumlarla filtrele
Belirli risk kriterlerini karşılayan durumları dahil et
Sadece yüksek değerli veya öncelikli durumlar için tahmin yap

Örnek: "Sonuç boş VE Durum Durumu 'İşlemde' VE Case Start Time 2025-01-01 sonrası"

Yeni Tahmin Sütunu

Yeni Tahmin Sütunu: AI tahminlerini saklayacak yeni durum özniteliğinin adını, veri türünü ve görüntüleme biçimini tanımlayın. Bu sütun durum tablosuna eklenir ve zenginleştirme çalıştığında tahmin edilen değerlerle doldurulur.

Yapılandırma seçenekleri:

Sütun Adı: Yeni öznitelik için dahili isim (boşluk yok, alt çizgi kullanın)
Görünen Ad: Analiz panellerinde gösterilecek kullanıcı dostu isim
Veri Türü: Tahmin Değeri Sütunu ile uyumlu olmalı (metin kategoriler için String, true/false için Boolean, sayısal kodlar için Integer)
Biçim: Görselleştirmelerde değerlerin nasıl gösterileceği (Metin, Sayı, Yüzde vb.)

Örnek yapılandırmalar:

Sütun Adı: "predicted_outcome", Görünen Ad: "Tahmin Edilen Sonuç", Tür: String
Sütun Adı: "risk_prediction", Görünen Ad: "Risk Seviyesi Tahmini", Tür: String
Sütun Adı: "will_delay", Görünen Ad: "Gecikme Tahmini", Tür: Boolean

Model Id

Model Id: (İsteğe bağlı) Daha önce eğitilmiş bir modelin benzersiz tanımlayıcısını (GUID) belirtin ve tahminler için kullanın. Bir model eğittiğinizde ve kaydettiğinizde, mindzieStudio ona benzersiz bir Model Id atar. Bu Id’yi verdiğinizde, yeniden eğitim yapmadan modeli tekrar kullanabilir, farklı veri kümelerinde veya zamanlarda tutarlı tahminler alabilirsiniz.

Her çalıştırmada yeni model eğitilmesi için bu alanı boş bırakın. Model Id sağlamak için:

Zaten iyi performans gösteren bir modeli eğitip doğruladınız
Aynı modeli zaman içinde kullanarak tutarlılık sağlamak istiyorsunuz
Yeni bir veri setine tahmin uygularken önceden eğitilmiş modeli kullanmak istiyorsunuz
Eğitim maliyetinden kaçınmak istiyorsunuz

Model Id, model eğitimi tamamlandıktan sonra zenginleştirme çalışma günlüklerinde veya model yönetim arayüzünde bulunabilir.

Python İmajı

Python İmajı: AI model eğitim ve tahmin betiklerini çalıştırmak için kullanılacak Python çalışma ortamını belirtir. mindzieStudio, farklı dağıtım senaryolarını desteklemek için birden fazla Python çalışma modu sunar.

Seçenekler:

LOCAL: mindzieStudio sunucusundaki yerel Python kurulumunu kullanır. Python 3.x ve gerekli makine öğrenimi kütüphaneleri (pandas, scikit-learn vb.) yüklüyse en hızlı seçenektir.
Docker İmaj Adı: Python ve gerekli kütüphaneleri içeren bir Docker konteyner imajını belirtir. Örneğin: "python:3.9-slim" veya önceden ML kütüphaneleri yüklü özel imajlar
Python yapılandırılmamış: Ne yerel Python ne de Docker mevcut değil anlamına gelir; bu durumda Python çalıştırma ortamını yapılandırmanız gerekecektir.

Varsayılan davranış:

Yerel Python mevcutsa otomatik olarak "LOCAL" seçilir
Docker yapılandırılmışsa ama yerel Python yoksa, varsayılan Docker Python imajını kullanır
Hiçbiri yoksa Python çalıştırmayı yapılandırmanızı ister

Üretim kullanımı için, tutarlılık ve izolasyon amacıyla Docker imajları önerilir; geliştirme ve test için ise LOCAL seçeneği sunucu ortamı tam kontrolünüzde ise uygundur.

Örnekler

Örnek 1: Satınalma Sipariş Onay Sonucunu Tahmin Etme

Senaryo: Bir tedarik organizasyonu, sipariş özelliklerine dayanarak satınalma siparişlerinin onaylanıp onaylanmayacağını tahmin etmek istiyor; böylece olası reddedilenleri erken tespit edip, onay oranlarını artırmak için başvuru sahipleriyle proaktif çalışabiliyorlar.

Ayarlar:

Tahmin Türü: Sınıflandırma
Özellik Sütunları: Order_Amount, Department, Vendor_Category, Requester_Level, Budget_Available, Previous_Orders_Count, Urgency_Flag
Tahmin Değeri Sütunu: Approval_Outcome (tamamlanmış siparişlerde "Approved" veya "Rejected" içerir)
Eğitim Filtreleri: "Approval_Outcome boş değil VE Case_End_Time boş değil" (sadece tamamlanmış ve sonucu bilinen siparişler)
Tahmin Filtreleri: "Approval_Outcome boş VE Case_Status 'Under Review'" (şu anda incelenen siparişler için tahmin)
Yeni Tahmin Sütunu:
- Sütun Adı: predicted_approval
- Görünen Ad: Tahmin Edilen Onay Sonucu
- Veri Türü: String
Model Id: (boş - yeni model eğit)
Python İmajı: LOCAL

Çıktı: Zenginleştirme, her inceleme altındaki sipariş için "Onaylandı" veya "Reddedildi" değerlerine sahip "Tahmin Edilen Onay Sonucu" adlı yeni bir durum özniteliği oluşturur. Tahminler geçmiş siparişlerden öğrenilen desenlere dayanır örn.:

50.000 $ üzerindeki yeni tedarikçilerden gelen siparişler daha çok reddedilir
Bütçesi olan ve talep sahibinin "Yönetici" veya üstü olduğu siparişler daha çok onaylanır
Aynı tedarikçiden önceki başarılı acil siparişlerin onay oranı yüksektir

İçgörüler: Tahminleri analiz ederek, inceleme aşamasındaki mevcut siparişlerin %23'ünün reddedilme olasılığı olduğunu keşfederler. Tahmini reddedilen isteklere proaktif olarak ek gerekçe toplama, alternatif tedarikçi önerme veya büyük siparişleri küçük onaylara bölme müdahalesi uygularlar. Bu müdahale genel onay oranını %78'den %89’a çıkarır ve süreç döngü süresini reddedilme ve yeniden gönderim döngülerini önleyerek azaltır.

Örnek 2: Sağlıkta Hasta Yeniden Kabul Riskinin Tahmini

Senaryo: Bir hastane, taburcu edilen hastalar arasında 30 gün içinde yeniden kabul riski yüksek olanları tahmin etmek istiyor; böylece bakım koordinatörleri hedefli destek sağlayarak yeniden kabul oranını azaltabiliyor.

Ayarlar:

Tahmin Türü: Sınıflandırma
Özellik Sütunları: Patient_Age, Diagnosis_Category, Length_of_Stay, Comorbidity_Count, Prior_Admissions, Discharge_Destination, Medication_Complexity, Social_Support_Score
Tahmin Değeri Sütunu: Readmitted_30_Days ("Evet" veya "Hayır" içerir, geçmiş taburcu vakaları için)
Eğitim Filtreleri: "Discharge_Date boş değil VE Days_Since_Discharge >= 30" (30 günlük sonuç bilinen vakalar)
Tahmin Filtreleri: "Discharge_Date boş değil VE Days_Since_Discharge < 30" (son taburcu olanlar için tahmin)
Yeni Tahmin Sütunu:
- Sütun Adı: readmission_risk_prediction
- Görünen Ad: Tahmin Edilen Yeniden Kabul Riski
- Veri Türü: String
Model Id: (boş)
Python İmajı: LOCAL

Çıktı: Zenginleştirme yeni taburcu olan her hasta için "Evet" veya "Hayır" gösteren "Tahmin Edilen Yeniden Kabul Riski" özniteliği ekler. Örnek tahminler:

Hasta ID 45321: 72 yaşında, Kalp Yetmezliği, 8 günlük yatış, 3 komorbidite, yalnız eve taburcu = Tahmin Edilen Risk "Evet"
Hasta ID 45322: 55 yaşında, Küçük Ameliyat, 2 günlük yatış, komorbidite yok, aileyle eve taburcu = Tahmin "Hayır"
Hasta ID 45323: 68 yaşında, Pnömoni, 5 günlük yatış, 2 komorbidite, 3 ay önce önceden kabul = Tahmin "Evet"

İçgörüler: Model son 30 günde yüksek riskli 78 hasta belirler. Bakım koordinasyon ekibi ev ziyareti, ilaç gözden geçirme ve takip randevularını önceliklendirir. Tahminlere dayalı müdahalelerle 90 gün sonunda yüksek risk grubunun yeniden kabul oranı %22’den %14’e düşer, bu da veri odaklı proaktif hasta yönetiminin faydasını gösterir.

Örnek 3: Üretimde Kalite Hata Tahmini

Senaryo: Bir üretim şirketi, ilk sipariş parametreleri ve erken üretim metriklerine dayanarak hangi üretim emirlerinin kalite hatasıyla sonuçlanacağını tahmin etmek istiyor; böylece hata oluşmadan önce ek kalite kontrolleri uygulanabiliyor.

Ayarlar:

Tahmin Türü: Sınıflandırma
Özellik Sütunları: Product_Type, Batch_Size, Material_Supplier, Production_Line, Operator_Experience_Level, Temperature_Variance, First_Pass_Yield, Cycle_Time_Deviation
Tahmin Değeri Sütunu: Quality_Defect_Found ("Defect" veya "Pass" içerir, tamamlanmış siparişler için)
Eğitim Filtreleri: "Production_Status 'Completed' VE Quality_Inspection_Complete true" (tam denetimli tamamlanmış siparişler)
Tahmin Filtreleri: "Production_Status 'In Progress' VE Percent_Complete >= 25 VE Percent_Complete < 100" (üretimde olan siparişler için tahmin)
Yeni Tahmin Sütunu:
- Sütun Adı: defect_prediction
- Görünen Ad: Tahmin Edilen Kalite Sonucu
- Veri Türü: String
Model Id: (boş)
Python İmajı: LOCAL

Çıktı: Zenginleştirme, şu anda üretimde olan 156 sipariş için kalite tahminleri üretir. Örnek tahminler:

Sipariş #10045: Büyük part, yeni malzeme tedarikçisi, yüksek sıcaklık değişimi = Tahmin "Defect" (kalite uyarısı)
Sipariş #10046: Standart ürün, deneyimli operatör, normal metrikler = Tahmin "Pass"
Sipariş #10047: Karmaşık ürün, Üretim Hattı B, normalin %15 üzerinde döngü süresi = Tahmin "Defect" (kalite uyarısı)

Sistem, gerçek zamanlı kalite panosu oluşturur; tahmin edilen hatalar gerçek üretim durumu ile birlikte gösterilir ve kalite mühendislerinin sipariş tamamlamadan önce müdahale etmesine olanak sağlar.

İçgörüler: Tahminler kullanılarak, kalite ekibi hata tahmini olan siparişlerde ilave denetimler ve süreç ayarlamaları uygular. 3 ay içinde 34 hata siparişfinal denetimine ulaşmadan önce tespit edilir. Hata oranı %8.2’den %4.1’e düşer, yeniden işleme maliyeti ise 127.000 $ azalır. Model, yeni tedarikçi ve yüksek sıcaklık değişimi kombinasyonunun %67 hata oranına sahip olduğunu ortaya koyar; tedarikçi kalifikasyon prosedürleri güncellenip sıcaklık kontrolü sıkılaştırılır.

Örnek 4: Finansal Kredi Temerrüt Risk Tahmini

Senaryo: Bir finans kuruluşu, onaylanan kredi başvurularının ilk 12 ay içinde temerrüde düşme olasılığını tahmin etmek istiyor; böylece risk yöneticileri kredi koşullarını ayarlayabilir, ek teminat isteyebilir veya yüksek riskli krediler için daha sık izleme uygulayabilir.

Ayarlar:

Tahmin Türü: Sınıflandırma
Özellik Sütunları: Loan_Amount, Credit_Score, Debt_to_Income_Ratio, Employment_Duration, Loan_Purpose, Property_Value, Down_Payment_Percent, Previous_Loans
Tahmin Değeri Sütunu: Defaulted_12_Months ("Default" veya "Performing" içerir, 12+ ay geçmiş krediler)
Eğitim Filtreleri: "Loan_Origination_Date < '2024-01-01' VE Months_Since_Origination >= 12" (12 aylık sonuç bilineni)
Tahmin Filtreleri: "Loan_Status 'Active' VE Months_Since_Origination < 12" (yeni krediler için)
Yeni Tahmin Sütunu:
- Sütun Adı: default_risk_prediction
- Görünen Ad: Tahmin Edilen Temerrüt Riski
- Veri Türü: String
Model Id: a1b2c3d4-e5f6-7890-a1b2-c3d4e5f6g7h8 (önceden eğitilmiş ve doğrulanmış model kullanılıyor)
Python İmajı: LOCAL

Çıktı: Zenginleştirme, son 12 ay içinde açılmış 892 aktif krediye eğitimli modeli uygular ve temerrüt riski tahminleri üretir:

724 kredi için tahmin "Performing" (düşük risk)
168 kredi için tahmin "Default" (yüksek risk)

Yüksek risk örnekleri:

Kredi #50012: 320K $, kredi skoru 640, DTI %42, çalışma süresi 8 ay = "Default"
Kredi #50034: 180K $, kredi skoru 680, DTI %38, önceki gecikmeler = "Default"
Kredi #50078: 425K $, kredi skoru 655, DTI %45, yüksek kredi-değer oranı = "Default"

İçgörüler: Risk yönetimi ekibi portföyü tahmin edilen risk seviyelerine göre segmente eder ve ayrıştırılmış izleme stratejileri uygular. Yüksek riskliler için aylık kontrol, düşük riskliler için üç aylık kontrol yapılır. Fiyatlama modelleri, yüksek risk profilleri için %0.5-1.0 puan artırılarak ayarlanır. 12 ay sonunda model tahminleri %82 doğrulukta olup proaktif izleme ile yüksek risk kesiminde gerçek temerrüt oranı %15’ten %9’a düşürülmüştür; yaklaşık 2.3 milyon $ kayıp önlenmiştir.

Örnek 5: Müşteri Hizmetlerinde Vaka Çözüm Tahmini

Senaryo: Bir müşteri hizmetleri organizasyonu, destek taleplerinin hedef SLA süresi içinde çözüleceğini ilk talep özelliklerine göre tahmin etmek istiyor; böylece riskli durumları erken tespit edip önceliklendirme yaparak SLA uyum oranlarını artırabiliyor.

Ayarlar:

Tahmin Türü: Sınıflandırma
Özellik Sütunları: Issue_Category, Customer_Tier, Complexity_Score, Assigned_Team, Initial_Response_Time, Customer_Sentiment, Product_Version, Similar_Cases_Count
Tahmin Değeri Sütunu: Resolved_Within_SLA ("Yes" veya "No" içerir, kapatılmış talepler)
Eğitim Filtreleri: "Ticket_Status 'Closed' VE Close_Date boş değil" (çözümlenmiş talepler)
Tahmin Filtreleri: "Ticket_Status 'Open' VE Hours_Since_Creation >= 2 VE Hours_Since_Creation < 24" (son açılan talepler)
Yeni Tahmin Sütunu:
- Sütun Adı: sla_compliance_prediction
- Görünen Ad: Tahmin Edilen SLA Uyumu
- Veri Türü: String
Model Id: (boş)
Python İmajı: LOCAL

Çıktı: Zenginleştirme şu anda açık olan 234 destek talebi için SLA uyumu tahminleri yapar. Örnek tahminler:

Talep #7845: Fatura sorunu, Premium müşteri, Karmaşıklık 2, Ekip A, 15 dk cevap = Tahmin "Yes"
Talep #7846: Teknik hata, Standart müşteri, Karmaşıklık 8, Ekip B, 45 dk cevap = Tahmin "No" (yükseltme tetiklendi)
Talep #7847: Şifre sıfırlama, Temel müşteri, Karmaşıklık 1, Ekip C, 5 dk cevap = Tahmin "Yes"

Tahminler destek ekibi panelinde renk kodlu olarak gösterilir: yeşil tahmin edilen uyum, kırmızı uyumsuzluk.

İçgörüler: Destek yöneticileri riskli talepleri erken mühendislere yükseltir veya ek kaynak tahsis eder. 6 ay sonunda SLA uyum oranı %83’ten %91’e çıkar. Model, yüksek karmaşıklık skoruna sahip ve pik saatlerde Ekip B’ye atanmış taleplerin sadece %58 ihtimalle SLA karşılayabildiğini ortaya koyar; iş yükü dengelenir ve Ekip B’ye ek eğitimler verilir. Ayrıca ilk tepki süresinin genel çözüm süresinin en güçlü tahmincisi olduğu keşfedilir; yeni politikalar, ilk yanıtı 15 dakika içinde sağlama zorunluluğunu getirir.

Önceden Hazırlanmış Python Şablonlarının Kullanımı

Sayfanın üstündeki Hızlı Başlangıç bölümünde indirilebilir üç paket ve amaçları listelenmiştir. Bu bölüm, tam yükleme iş akışını, şablonların otomatik olarak yaptığı işleri ve nasıl özelleştirileceğini anlatır.

Model Id vermeden AI Durum Tahmini zenginleştirmesini çalıştırdığınızda, mindzieStudio rastgele tahminler üreten bir yer tutucu Python betiği oluşturur. Bu kasıtlıdır - bu betik gerçek makine öğrenimi mantığını bağlamanız için başlangıç noktasıdır. Önceden hazırlanmış şablon paketleri bu yer tutucuyu, verilerinizden öğrenen ve tahminleri yeni bir durum özniteliğine yazan gerçek bir scikit-learn modeliyle değiştirir.

Adım Adım İş Akışı

Bu iş akışı, AI Durum Tahmini bloğundaki mevcut Model Yükle özelliğini kullanır. Yerel Python gerektirmez ve mindzieStudio’nun tüm dağıtılmış sürümleriyle çalışır.

1. AI Durum Tahmini zenginleştirmesini yapılandırın

Yukarıdaki Ayarlar bölümündeki gibi Tahmin Türü, Özellik Sütunları, Tahmin Değeri Sütunu, eğitim ve tahmin filtreleri ile Yeni Tahmin Sütunu’nu ayarlayın. Bloğu kaydedin. Şimdilik Model Id alanını boş bırakın.

2. Uygun şablon paketini indirin

Tablodan, Tahmin Değeri Sütunu’nuzla eşleşen bağlantıya tıklayın. Zip dosyasını bilgisayarınıza kaydedin. Zip’i açmayın - olduğu gibi yükleyin.

3. Bloğun Model Yükle menüsünden yükleyin

mindzieStudio’da AI Durum Tahmini bloğunda menüyü açın ve Model Yükle’yi seçin. Az önce indirdiğiniz zip dosyasını seçin. mindzieStudio dosyaları çıkarır ve benzersiz bir Model Id atar.

4. Model Id’yi zenginleştirmeye yapıştırın

mindzieStudio’nun gösterdiği Model Id’yi kopyalayıp AI Durum Tahmini editöründeki Model Id alanına yapıştırın. Kaydedin.

5. Zenginleştirmeyi çalıştırın

Zenginleştirme bir sonraki çalıştırmada, mevcut Eğitim ve Tahmin filtrelerine göre taze Training.csv ve Prediction.csv oluşturur, yüklenen model dosyalarını üzerine koyar ve yapılandırılmış Python imajında python script.py çalıştırır. Şablon, veriyi yükler, RandomForest modeli eğitir, tahmin yapar ve sonucu yeni durum özniteliğine yazar. Başka kullanıcı müdahalesi gerekmez.

Aynı zenginleştirmenin sonraki çalıştırmaları, Eğitim Filtreleri ile eşleşen durumlar üzerinde yeniden eğitim yaparak veri büyüdükçe modele uyum sağlar. Her seferinde yeniden eğitmeyen bir model isterseniz, aşağıdaki Model Özelleştirme bölümüne bakınız.

Şablonların Oto İşledikleri

Hiç Python kodu yazmazsınız. Şablonlar:

Genel sütun algılama - özellik sütunları, hedef sütun ve durum id’si Training.schema dosyasından çalışma zamanında okunur, böylece herhangi bir öznitelik ismi desteklenir.
Sayısal özellikler - eksik değerler için medyan ile tamamlama.
Kategorik / metinsel özellikler - bilinmeyen kategorilere karşı güvenli one-hot kodlama tahmin sürecinde.
Eğitim/test ayrımı - doğruluk raporu için %80 eğitim / %20 test bölme (sınıflandırıcılar için tabakalı, regresyon için normal).
Sınıf dengesizliği - çoklu sınıf şablonu class_weight='balanced' kullanır ve çok nadir sınıfları (2’den az satır) atar.
Doğru türde çıktı - tahminler, mindzieStudio okurken doğru işlenmesi için hedef sütunun veri tipine (Int32, Int64, Single, Double, Boolean, String veya TimeSpan-saniye) dönüştürülür.

Şablonların Henüz Yapmadıkları

Şablonlar basit başlangıç noktalarıdır. Henüz:

Modeli çalıştırmalar arasında saklamaz - her seferinde yeniden eğitim yapılır. Bu hızlıdır ama çok büyük veri setlerinde maliyetli olabilir.
En iyi hiperparametreyi aramaz - sadece mantıklı varsayılanlar kullanır.
Zaman damgasından özellik çıkarmayı yapmaz - tarih sütunlarınız varsa, özellik mühendisliği için sayaç vb. ile sayısal parçalar çıkarın.
Çok büyük veri setleriyle test edilmemiştir - yaklaşık 100.000 durum ile doğrulanmıştır. Daha büyük setlerde eğitim filtrelerinde örnekleme düşünün.

Model Özelleştirme

Varsayılan RandomForest algoritması ihtiyacınızı karşılamazsa veya hiperparametre ayarı, özellik mühendisliği ya da kendi algoritmanızı eklemek isterseniz, her şablon paketi zip içinde sadece üç sade Python dosyasıdır:

model_trainer.py - algoritma; değiştirmeniz gereken tek dosya
mindzie_helper.py - şema bilgili CSV yükleyici (düzenlemeyin)
script.py - giriş noktası (düzenlemeyin)

Özelleştirmek için:

Şablon paketini bilgisayarınızda açın.
model_trainer.py dosyasını düzenleyin - algoritmayı, hiperparametreleri veya ön işleme adımlarını değiştirin.
Üç dosyayı birlikte yeniden zipleyin (dizin içinde olmayacak şekilde).
Yeniyi adım 3’teki gibi Model Yükle üzerinden yükleyin.

Değişiklikleri re-upload etmeden yerelde test etmek için, mindzieStudio’da Model Id alanı boşken bir kez AI Durum Tahmini çalıştırın ve ardından bloğun menüsünden Paket İndir’e tıklayın. İndirilen zip aynı üç dosya artı gerçek in/Training.csv ve in/Prediction.csv içerir. model_trainer.py dosyasını düzenleyip üzerine koyun ve açılan klasörde python script.py çalıştırın. Çıktı out/Prediction.csv içinde görünür.

Algoritma Referansı

Şablon	Tahminci	Önemli Ayarlar
İkili Sınıflandırıcı	`RandomForestClassifier`	`n_estimators=200`, `min_samples_leaf=2`, tabakalı bölme
Çoklu Sınıf Sınıflandırıcı	`RandomForestClassifier`	`n_estimators=300`, `class_weight='balanced'`, nadir sınıf koruma
Regresyon	`RandomForestRegressor`	`n_estimators=300`, `min_samples_leaf=2`, tam sayıya yuvarlama

Üçü de aynı ön işleme hattını kullanır: ColumnTransformer içinde numerikler için SimpleImputer(median), kategorikler için SimpleImputer(constant) + OneHotEncoder(handle_unknown='ignore'), bunlar tek bir Pipeline içinde toplanır; böylece tahmin zamanı ön işleme eğitimle tam uyumludur.

Gerekli Python Ortamı

Docker imajı yerine yerelde çalıştırıyorsanız gerekli paketleri şu komutla yükleyin:

pip install pandas==2.1.4 numpy==1.26.3 scikit-learn==1.4.0

Bu sürümler, mindzie_windows_python3_11:V01 içindeki sabitlenmiş bağımlılıklarla uyumludur; böylece yerel çalıştırma ile Docker ortamı arasında davranış aynı olur