Décrivez la question
Précisez les données, l'objectif et le résultat dont vous avez besoin. Clarifiez l'évaluation prévue.
Transformez les données en quelque chose d'utilisable.
Créez des projets de données et de machine learning avec du travail exécutable, des résultats d'évaluation et des artefacts téléchargeables.
Du brief au résultat.
Construire et évaluer
Générez le projet, exécutez l'entraînement ou la prédiction pris en charge et inspectez les résultats d'évaluation distincts.
Conservez les preuves
Consultez les rapports et les fichiers de sortie, puis affinez le projet ou récupérez les fichiers pour votre propre flux de travail.
Les résultats dépendent des données et de la configuration d'évaluation. Les builds de stratégies de trading quantitatif sont prévues ; ce n'est pas encore un type de sortie disponible aujourd'hui.
De vos données à une réponse que vous pouvez inspecter.
Définissez la question, testez l'approche et conservez les preuves derrière le résultat.
Cadrer la question
Donnez un objectif clair aux données.
Indiquez à l'IA ce que représente chaque ligne, quelle question compte et à quoi ressemblerait un résultat utile. Le projet peut explorer des tendances, classer des enregistrements, prédire une valeur, prévoir une série ou découvrir des groupes. Son rapport rend visibles le jeu de données et la méthode utilisés.
- Partez des données disponibles pour le projet et d'une cible ou question d'analyse définie.
- Examinez le profil des données : colonnes, valeurs manquantes et distributions pertinentes.
- Définissez la tâche et la métrique d'évaluation avant de juger le résultat.
Tester le résultat
Comparez les modèles à une référence.
Pour les tâches supervisées prises en charge, la plateforme isole des données de test avant que le générateur n'accède aux données d'entraînement. Elle exécute le code de prédiction généré, recalcule la métrique et compare les modèles de référence sur le même découpage. Examinez ce résultat indépendant aux côtés de l'estimation d'entraînement et des résultats de vérification.
- Séparez l'estimation d'entraînement du résultat de test recalculé par la plateforme.
- Comparez aux modèles de référence et examinez les contrôles de fuite de données.
- Utilisez les résultats pour affiner l'approche ; la précision future n'est pas garantie.
Conservez les preuves
Lisez le rapport. Examinez le travail.
Le livrable comprend le travail exécutable et un rapport expliquant le problème, les données, la méthode et les résultats. Examinez les graphiques, l'analyse des erreurs et les limites, puis utilisez les téléchargements de projet disponibles pour poursuivre dans votre propre flux de travail ou demandez une révision dans la conversation de génération.
- Passez en revue les conclusions et les limites aux côtés des graphiques et de l'évaluation associés.
- Examinez le code d'entraînement et de prédiction avec les artefacts de sortie disponibles.
- Utilisez les instructions de reproduction pour comprendre comment le résultat a été obtenu.
Le processus
Gardez le travail connecté.
Décrire le résultat
Précisez le public, le résultat souhaité et les contraintes. Affinez la direction avant d'avancer.
Examiner le travail
Examinez les fichiers générés, l'aperçu disponible et les contrôles pertinents pour le résultat.
Créer la prochaine version
Demandez des modifications, puis exportez ou utilisez le flux de livraison pris en charge par ce projet.
Découvrez la suite.
Voir tous les builders
Créateur de sites web IA
Créez des landing pages, des boutiques en ligne et des sites de contenu. Décrivez l'audience et l'expérience souhaitée, puis examinez et affinez la réalisation.
Découvrir l'AI Website Builder
Créateur d'applications IA
Créez des applications web, mobiles et de bureau autour de la tâche qu'elles doivent accomplir. Prévisualisez l'expérience, affinez-la et préparez le package approprié.
Découvrir l'AI App Builder
Créateur de jeux IA
Transformez une idée de jeu en projet jouable. Façonnez les règles, les personnages et l'univers, puis testez et itérez sur l'expérience.
Découvrir AI Game BuilderQuestions et réponses
Un peu de clarté avant de commencer.
Quels types de projets de données puis-je créer ?+
Le flux de travail sur les données prend en charge l'analyse, la classification, la régression, la prévision et le clustering. Décrivez la question, les données disponibles et le résultat que vous souhaitez évaluer.
Que dois-je inclure dans mon brief ?+
Expliquez ce que représente chaque ligne, quel champ vous voulez prédire ou analyser, et comment vous jugerez un résultat utile. Incluez les contraintes pertinentes et les données disponibles pour le projet.
Comment les résultats des modèles sont-ils vérifiés ?+
Pour les tâches supervisées prises en charge, la plateforme isole des données de test avant que le générateur n'y accède, puis recalcule les résultats d'évaluation. Elle vérifie également les modèles de référence et recherche les fuites de données. Examinez les résultats aux côtés du rapport.
Que vais-je recevoir ?+
Un projet peut inclure du code d'entraînement et de prédiction, un rapport, des résultats d'évaluation et des artefacts de sortie. Examinez les fichiers générés et utilisez les options de téléchargement disponibles pour continuer à y travailler.
Puis-je améliorer un résultat existant ?+
Oui. Utilisez la conversation de génération pour affiner la cible, expliquer une erreur ou demander une approche différente. Examinez les nouveaux résultats d'évaluation pour voir si la modification a été bénéfique.
Une bonne évaluation garantit-elle la précision future ?+
Non. L'évaluation décrit la performance sur les données et la configuration de test utilisées. De nouvelles données, des conditions changeantes et des écarts par rapport à l'usage prévu peuvent modifier le résultat.
Que allez-vous créer ?
Créez un build, ou faites travailler une équipe spécialisée sur votre prochaine tâche.