Cosmo SmartPredict fournit aux utilisateurs des recommandations prédictives rapides et contextuelles à mesure qu’ils terminent leurs configurations. SmartPredict peut être formé soit sur des configurations existantes stockées dans l’environnement CPQ , soit sur des données téléchargées via un fichier CSV.

Cosmo SmartPredict exploite un modèle d’IA sous-jacent solide, mais dépend de la quantité et de la qualité des données fournies pour l’entraînement.

Configurer Cosmo SmartPredict

L’accès à Cosmo SmartPredict est restreint. Pour que SmartPredict soit mis en service dans votre environnement, contactez l’assistance CPQ . Une fois mis en service, SmartPredict peut être activé de manière sélective sur des plans individuels. Pour activer SmartPredict sur un plan, accédez au plan, cliquez sur la nouvelle vignette Smart Predict dans le plan, puis cliquez sur le bouton bascule sur l’écran SmartPredict.

Pour créer un modèle SmartPredict, cliquez sur Créer pour commencer à définir les paramètres du modèle. Au minimum, un modèle doit avoir un nom et un nom de variable. Plusieurs paramètres de modèle supplémentaires déterminent les données que le modèle doit utiliser pour la formation.

• Entraînement avec des données en direct

  Si vous choisissez d’utiliser des données en direct pour former votre modèle, les configurations existantes et futures dans le cadre de CPQ l’utilisation de ce plan serviront d’entrées pour affiner le modèle pour les champs du plan. Vous pouvez affiner davantage les données de formation en définissant une date de début et en spécifiant l’inclusion ou l’exclusion de champs. Vous pouvez créer des filtres supplémentaires en fonction des valeurs de champ. Tout filtrage des données de formation est facultatif. Si tous les autres paramètres sont laissés vides, le modèle est formé sur toutes les configurations existantes du plan. Une fois les paramètres définis, cliquez sur Enregistrer et former pour commencer la formation du modèle.

  Les paramètres de filtrage facultatifs comprennent :

  • Date de début : choisissez une date de début (incluse) des configurations sur lesquelles vous entraîner. Si ce champ est vide, les configurations ne seront pas filtrées par date de création.
  • Champs : des champs individuels du plan peuvent être sélectionnés pour être inclus ou exclus.
  • Filtres supplémentaires : pour filtrer les données de configuration de formation afin de limiter celles qui correspondent aux critères de filtre, vous pouvez sélectionner des champs individuels et saisir des critères égaux.
• Formation avec les données d’un fichier CSV

  Les modèles peuvent également être entraînés à l’aide de données provenant de sources externes en formatant et en chargeant les données sous forme de fichier CSV. Dans les données CSV, la première ligne doit être les noms de variables des champs. Vous pouvez télécharger un exemple de fichier CSV avec tous les champs du plan à partir de la page de chargement CSV.

  Lors du formatage du fichier CSV, vous pouvez choisir de fournir uniquement un sous-ensemble des champs disponibles sur le plan.

  • Champs : l’en-tête de colonne doit être le nom de variable du champ pour lequel les valeurs sont fournies. Seuls les champs d’un type qui peuvent être prédits sont utilisés dans la formation : booléen, nombre, liste déroulante, ensembles et sélecteurs de produits. Les champs de texte ne sont pas prévus et ne sont pas utilisés dans la formation.
  • Listes de sélection multiple : fournissez plusieurs valeurs d’une liste de sélection à l’aide de virgules sans espace.
  • Ensembles et sélecteurs de produits : la mise en forme des champs d’ensemble et de sélecteur de produit est SetVariableName_index_fieldVariableName ou ProductPickerVariableName_index_fieldVariableName, en utilisant : 0, 1 ou 2 pour les index et le nom de variable pour les champs, les ensembles ou les sélecteurs de produits.

Une fois qu’un modèle a été enregistré, il est mis en file d’attente pour une formation en fonction des données chargées ou des données en direct filtrées. La formation varie en fonction de la quantité de données fournies, mais prend généralement quelques heures, ou tout au plus une journée. Une fois la formation terminée, le modèle peut être activé et déployé.

Les modèles sont reformés si les filtres, les champs ou la date de début sont modifiés lorsque le modèle utilise des données en direct. Si de nouvelles données CSV sont chargées, le modèle est reformé. Les modèles utilisant des données en direct continuent d’être formés sur des données en direct périodiquement. Lorsque le modèle est automatiquement formé avec de nouvelles données en direct, il n’est pas nécessaire de redéployer le plan pour qu’il utilise le modèle mis à jour.

Utilisation de Cosmo SmartPredict

Une fois qu’un modèle a été formé pour un plan, il peut être activé. Plusieurs modèles SmartPredict peuvent être formés, mais un seul modèle peut être actif sur un plan à la fois. Si un modèle est modifié ou activé pour un plan, le plan doit être redéployé pour utiliser le nouveau modèle.

Pour qu’un utilisateur final déclenche les recommandations de Cosmo SmartPredict, environ 5 % des champs doivent être remplis avec une valeur.

Les types de champs prédits comprennent les nombres, les listes déroulantes, les valeurs booléennes, les ensembles (y compris les champs numériques, listes déroulantes et booléens), les sélecteurs de produits et les sous-champs de tous ces types. Les champs de texte ne sont pas prévus.

Trois types de recommandations sont fournis à l’utilisateur : Bonne, Meilleure et Meilleure. Ces recommandations correspondent aux prédictions du modèle basées sur les données de formation. Comme toujours, la qualité des données influence fortement la qualité des prédictions.

Les recommandations peuvent changer en fonction des champs remplis. Les champs qui sont modifiés par l’utilisateur n’auront pas de prédiction.

Si des ensembles ou des sélecteurs de produits sont inclus dans les prédictions, tous les champs d’un ensemble ou d’une ligne de sélecteur de produit ont une valeur prévue.

SmartPredict V1 et V2

Deux modèles de SmartPredict sont disponibles : V1 et V2. Alors que le modèle V1 reste disponible, le V2 a des capacités supérieures.

Le modèle V2 introduit plusieurs améliorations et changements clés par rapport à son prédécesseur :

• Fiabilité accrue des prédictions : V2 est conçu pour fournir des prédictions plus fiables, offrant généralement une recommandation unique et hautement probable pour guider vos décisions.
• Prise en charge de champs plus larges : les capacités de prédiction s’étendent désormais pour inclure des ensembles et des champs de sélecteur de produits, élargissant considérablement leur applicabilité à vos configurations.
• Options de prédiction étendues : contrairement à V1, V2 n’est pas limitée à la prédiction de trois index ou options pour les ensembles et les sélecteurs de produits, ce qui permet des suggestions plus complètes et flexibles.
• Accessibilité des données de formation : les administrateurs peuvent télécharger les données de formation CSV utilisées pour n’importe quel scénario depuis la plateforme, offrant ainsi une transparence et un contrôle accrus.

Cependant, les temps de formation des modèles V2 sont nettement plus longs. Pour les ensembles de données de quelques milliers de lignes, la formation dure généralement de 30 à 60 minutes. De plus, le modèle nécessite une activation via la page de liste de scénarios. L’activation prend systématiquement de 20 à 40 minutes, quelle que soit la taille des données de formation.

Le modèle V1 reste opérationnel, offrant une période de transition en douceur pendant que vous envisagez d’adopter ou non V2.

Votre contribution à la précision, aux performances et à l’expérience globale du modèle V2 est cruciale pour notre amélioration continue. Nous sommes impatients de connaître vos expériences et de célébrer les réussites des clients qui exploitent l’IA dans la configuration. N’hésitez pas à partager vos commentaires avec notre équipe d’assistance ou nos équipes produit.

Remarques et recommandations

Notre infrastructure de modèles d’IA nécessite des ressources substantielles. Pour gérer efficacement la capacité, les modèles qui n’ont pas été consultés pendant une période prolongée ou qui présentent une très faible utilisation peuvent être automatiquement désactivés. Si votre modèle est désactivé, vous pouvez facilement le réactiver à partir de la page de liste de scénarios. Prévoyez environ 20 à 40 minutes pour que le processus de réactivation se termine avant que les prédictions soient à nouveau disponibles.

En général, environ 400 configurations sont nécessaires pour disposer d’un ensemble de données robuste sur lequel entraîner le modèle.

Comme pour tout modèle d’IA, la qualité des données d’entraînement est le principal facteur de la qualité des prédictions.