PredictFromModel

Gibt den vorhergesagten Wert aus einem trainierten Regressionsmodell für den angegebenen Text-Einbettungsvektor zurück.

Format 

PredictFromModel ( ModellName ; v1 )

Parameter 

ModellName – beliebiger Textausdruck, der den Namen eines trainierten Regressionsmodells angibt, das in den Speicher geladen wurde.

v1 – jeder Textausdruck und jedes Feld oder Containerfeld, in dem die Eingabe-Features für die Vorhersage enthalten sind. Kann als JSON-Array (z. B. [1.2, 3.4, 5.6]) oder als binäre Containerdaten mit Einbettungsvektoren bereitgestellt werden.

Zurückgegebener Datentyp 

Zahl

Ursprung in Version 

22.0

Beschreibung 

PredictFromModel generiert numerische Vorhersagen mithilfe von Regressionsmodellen, die mit dem Scriptschritt „Regressionsmodell konfigurieren“ trainiert und geladen wurden. Die Funktion nimmt Eingabe-Features (die Einbettungsvektoren sein können) entgegen und gibt eine einzelne numerische Vorhersage zurück, die auf den während des Modelltrainings abgeleiteten Mustern basiert.

Bevor Sie diese Funktion verwenden können, müssen Sie Folgendes tun:

  1. Trainieren Sie ein Regressionsmodell mit dem Scriptschritt „Regressionsmodell konfigurieren“.

  2. Stellen Sie sicher, dass das Modell in den Speicher geladen ist. Modelle bleiben geladen, bis sie explizit entladen werden oder die FileMaker-Sitzung beendet wird.

  3. Stellen Sie Eingabe-Features bereit, die derselben Struktur und Dimensionalität entsprechen wie die Training-Daten, die zum Erstellen des Modells verwendet wurden.

Der Parameter v1 akzeptiert Eingabe-Features in zwei Formaten:

  • Text, der ein JSON-Array mit numerischen Werten enthält, wie beispielsweise [1.2, 3.4, 5.6, 7.8]. Dieses Format ist für Menschen lesbar und für einfache Anwendungsfälle geeignet. Das JSON-Array kann auch aus einem Einbettungsvektor bestehen, der von einem KI-Modell generiert wurde.

  • Ein Einbettungsvektor, der als binäre Containerdaten gespeichert ist. Dieses Format bietet in der Regel eine bessere Leistung für groß angelegte Vorgänge und ist das bevorzugte Format, wenn mit einem von einem KI-Modell generierten Einbettungsvektor gearbeitet wird.

Hinweise 

  • Die Eingabe-Features in v1 müssen dieselbe Anzahl von Dimensionen aufweisen und in derselben Reihenfolge vorliegen wie die Training-Daten, die zur Erstellung des Modells verwendet wurden.

  • Um KI-Modelle zum Generieren von Einbettungsvektoren für v1 zu verwenden, können Sie den Scriptschritt „Einbettung einfügen“, den Scriptschritt „Einbettung in Ergebnismenge einfügen“ oder die Funktion „GetEmbedding“ verwenden.

  • Die Verwendung von binären Containerdaten für Einbettungsvektoren bietet im Allgemeinen eine bessere Leistung als JSON-Arrays, insbesondere bei hochdimensionalen Feature-Vektoren.

  • Modellnamen unterscheiden zwischen Groß- und Kleinschreibung und müssen genau mit dem Namen des Modells übereinstimmen, das mit dem Scriptschritt „Regressionsmodell konfigurieren“ geladen wurde.

  • Modelle bleiben im Speicher, bis sie explizit gelöscht werden, sodass mehrere Vorhersagen effizient ohne erneutes Laden durchgeführt werden können.

  • Die Funktion gibt in folgenden Fällen „?“ zurück:

    • Der angegebene Modellname existiert nicht oder ist derzeit nicht im Speicher geladen.

    • Die Eingabe-Features haben im Vergleich zu den Training-Daten des Modells falsche Dimensionen oder ein falsches Format.

Beispiel 1 

Ein Ausdruck, der eine einfache Vorhersage unter Verwendung des in Beispiel 1 in Regressionsmodell konfigurieren trainierten Hauspreis-Modells trifft. Die Eingabe-Features sind für die Quadratmeterzahl, die Anzahl der Schlafzimmer und das Alter vorgesehen.

Kopieren 
PredictFromModel ( "HauspreisModell" ; "[148, 3, 20]" )

Gibt einen geschätzten Hauspreis basierend auf einer Fläche von 148 Quadratmeter, 3 Schlafzimmern und einem Alter von 20 Jahren zurück. Ein möglicher zurückgegebener Wert ist 256.96153846153845279 (in denselben Preiseinheiten wie die in den Training-Daten verwendeten Zielwerte).

Beispiel 2

Prognostiziert die Sternebewertung eines Kunden anhand des Textes seiner Rezension unter Verwendung des in Beispiel 2 in Regressionsmodell konfigurieren trainierten Modells. Das Script fordert den Benutzer zur Eingabe einer Rezension ($RezensionEingabe) auf, konfiguriert ein KI-Konto und verwendet dieses Konto, um Text-Einbettungsvektoren für $RezensionEingabe abzurufen. Anschließend lädt es das im Variablenfeld Rezensionen::RezensionModell gespeicherte Regressionsmodell und zeigt die vorhergesagte Bewertung unter Verwendung des geladenen Modells „RezensionModell” und des Einbettungsvektors für die Rezension des Benutzers ($RezensionEinbettung) an. Anschließend entlädt das Script das Modell aus dem Speicher.

Kopieren 
Eigenes Dialogfeld anzeigen ["Bitte Rezension eingeben"; $RezensionEingabe ]

KI-Konto konfigurieren [ Kontoname: "KI-Modellserver" ; Modellanbieter: Benutzerdefiniert ; Endpunkt: "https://meinserver.beispiel.com:8080/" ; SSL-Zertifikate verifizieren ; API-Schlüssel: Global::API_Schlüssel ]

Einbettung einfügen [ Kontoname: "KI-Modellserver" ; Einbettungsmodell: "all-MiniLM-L12-v2" ; Eingabe: $RezensionEingabe ; Ziel: $RezensionEinbettung ]

Regressionsmodell konfigurieren [ Aktion: Modell laden ; Modellname: "RezensionModell" ; Modell laden von: Rezensionen::RezensionModell ]

Eigenes Dialogfeld anzeigen [ "Vorhergesagte Bewertung"; PredictFromModel ( "RezensionModell" ; $RezensionEinbettung ) ]

Regressionsmodell konfigurieren [ Aktion: Modell entladen ; Modellname: "RezensionModell" ]

Eine mögliche vorhergesagte Bewertung für eine positive Rezension ist 4,8700974666666665414 für die im Training verwendeten Zielwerte im Bereich von 1 bis 5.

Weiterführende Themen