Les utilisateurs peuvent exploiter ses capacités de gestion du cycle de vie des modèles, qui inclut le suivi automatisé des performances, la surveillance des dérives de modèles et le réentraînement continu afin d’assurer que les prédictions restent précises dans le temps. L’interface est conçue pour les utilisateurs métiers avec des options
no-code, facilitant l’adoption de l’IA même pour les équipes non spécialisées.
Intégrées à la plateforme Qlik Cloud, permet la création et le déploiement de modèles de Machine Learning grâce à l’automatisation des itérations et à l’application systématique des meilleures pratiques de la data science. Une capacité qui met le ML à la portée des utilisateurs métier. Dans ce contexte, les tableaux de bord générés automatiquement affichent une vue d’ensemble sur les performances des modèles, tout en fournissant des insights approfondis sur les facteurs influençant les prédictions. Au chapitre MLOps, le cycle de vie des modèles est géré de manière automatisée, avec des contrôles réguliers et un réentraînement systématique pour assurer leur pertinence et maintenir la confiance des utilisateurs dans la qualité des prédictions générées.
Renforcer la collaboration entre métiers et data scientistes
Ces nouvelles capacités sont intégrées à la plateforme de l’éditeur, Qlik Cloud. Une intégration permet de centraliser toutes les capacités analytiques au sein d’une plateforme unifiante, facilitant l’accès aux données et leur exploitation. Cela simplifie l’utilisation de modèles prédictifs, tout en proposant une expérience utilisateur cohérente grâce à l’interopérabilité avec les autres services de Qlik. Les équipes bénéficient d’une gestion unifiée des workflows, des visualisations et des scénarios, tout en profitant des fonctionnalités MLOps pour assurer la fiabilité des modèles. Une approche qui renforce la collaboration entre utilisateurs métiers et data scientistes en consolidant les données, les analyses et l’IA dans un environnement intégré.De plus, les nouvelles fonctionnalités de Qlik AutoML intègrent désormais une API en temps réel pour des analyses instantanées, une exploration qui relie des ensembles de données complexes et un outil de simulation « what-if » permettant de planifier divers scénarios. Un renforcement des mécanismes de sécurité protège mieux les données, tandis que le support multilingue facilite l’adoption internationale. Enfin, le suivi continu et le réentraînement des modèles garantissent la précision et l’actualisation des prédictions, soutenant ainsi une prise de décision rapide et sécurisée dans un environnement métier en constante évolution.
Les principaux ajouts à AutoML révèlent une stratégie qui cible les entreprises de taille moyenne et les équipes analytiques non spécialisées, en rendant le Machine Learning plus accessible grâce à une interface no-code et des capacités d’explicabilité. Cette approche permet d’élargir la base d’utilisateurs tout en favorisant l’adoption de Qlik Cloud comme plateforme unifiée de données. En misant sur l’intégration et l’explicabilité, Qlik vise également à renforcer la confiance des utilisateurs dans les résultats générés par l’IA. Enfin, les capacités MLOps permettent d’améliorer la durabilité des modèles en production, ceci pour répondre aux exigences des entreprises souhaitant utiliser l’IA de manière continue et évolutive.
