Despliegue de modelos de aprendizaje automático desde Notebooks a Zementis
La plataforma Zementis es un motor de puntuación de análisis predictivo que se incluye en la instalación de TrendMiner (a partir de la versión 2021.R2). Zementis ofrece una forma de desplegar el aprendizaje automático, la IA y los modelos predictivos que hace posible puntuar los datos entrantes en tiempo real y almacenar esa información como una nueva etiqueta en TrendMiner a través de la funcionalidad de etiquetas del modelo de aprendizaje automático.
Sólo se puede acceder a Zementis una vez configurada la gestión de accesos. También es necesaria una licencia aparte. Póngase en contacto con nosotros en TrendMiner si está interesado.
Zementis Predictive Analytics se basa en estándares abiertos para aprovechar la innovación de una amplia comunidad de científicos de datos, estadísticos, profesionales de TI y otros expertos en infundir técnicas cuantitativas en la sofisticada toma de decisiones empresariales.
Utilizará el estándar Predictive Model Markup Language (PMML) para importar y desplegar modelos predictivos. Los cuadernos de TrendMiner llevan preinstalada una biblioteca Python (Nyoka) para convertir los modelos predictivos en PMML.
Nyoka es una biblioteca de Python que proporciona un amplio soporte para el último estándar PMML, así como extensiones para el preprocesamiento de datos, la ejecución de scripts y las redes neuronales profundas. Utilizando Nyoka, puede exportar sus modelos predictivos de los marcos ML/DL populares de Python a PMML.
Los siguientes fragmentos de código permiten al usuario importar los paquetes y la autenticación necesarios para hacer uso del motor de puntuación de Zementis incorporado en la instalación de TrendMiner. Estos fragmentos de código pueden añadirse manualmente o a través de la sección de fragmentos de código dentro de los Notebooks de TrendMiner.
from trendminer.ml.models import ZementisModelszementis = ZementisModels(client)
Una vez convertido un modelo a PMML, podrá desplegar ese modelo en el motor de puntuación de Zementis. Los modelos desplegados con éxito se listarán en la funcionalidad de tags de Modelos de Aprendizaje Automático.
model_id = zementis.deploy_model("Your PMML file as a string")Puede obtener una lista de todos los modelos a través del fragmento de código:
zementis.list_models()
Puede solicitar información detallada sobre un modelo en Zementis de la siguiente manera:
zementis.model_details(model_id)
Se puede eliminar un modelo proporcionando el nombre del modelo al siguiente fragmento:
zementis.delete_model(model_id)
Encontrará más información en la documentación de python-SDK.
TrendMiner también ofrece un modelo integrado de detección de anomalías que puede desplegarse en Zementis. Puede encontrar más información sobre este modeloaquí.
Sólo pueden desplegarse modelos con 10 o menos variables de entrada.
Sólo se admiten entradas y salidas analógicas (entero, flotante, doble).
Sólo pueden desplegarse los modelos PMML compatibles con Zementis.