Einsatz von Machine-Learning-Modellen von Notebooks auf Zementis

Die Zementis-Plattform ist eine Predictive-Analytics-Scoring-Engine, die in der TrendMiner-Installation enthalten ist (ab Version 2021.R2). Zementis bietet eine Möglichkeit zum Einsatz von maschinellem Lernen, KI und prädiktiven Modellen, die es ermöglicht, eingehende Daten in Echtzeit zu bewerten und diese Informationen als neues Tag in TrendMiner über die Funktionalität der Machine Learning Model-Tags zu speichern.

Der Zugriff auf Zementis ist nur nach Einrichtung der Zugangsverwaltung möglich. Außerdem ist eine separate Lizenz erforderlich. Kontaktieren Sie uns bei TrendMiner, wenn Sie Interesse haben.

  • Predicitve Model Markup Language (PMML)
  • Einrichten des Notebooks
  • Bereitstellen von Modellen
  • Auflisten von Modellen
  • Modell-Details
  • Löschen von Modellen
  • Zusätzliche Dokumentation
  • Aktuelle Beschränkungen

Predictive Model Markup Language (PMML)

Zementis Predictive Analytics basiert auf offenen Standards, um die Innovationen einer großen Gemeinschaft von Datenwissenschaftlern, Statistikern, IT-Experten und anderen zu nutzen, die Experten darin sind, quantitative Techniken in anspruchsvolle Geschäftsentscheidungen einfließen zu lassen.

Sie werden den PMML-Standard (Predictive Model Markup Language) verwenden, um Vorhersagemodelle zu importieren und einzusetzen. Auf den TrendMiner-Notebooks ist eine Python-Bibliothek (Nyoka) zur Konvertierung von Vorhersagemodellen in PMML vorinstalliert.

Nyoka ist eine Python-Bibliothek, die umfassende Unterstützung für den neuesten PMML-Standard sowie Erweiterungen für Datenvorverarbeitung, Skriptausführung und tiefe neuronale Netze bietet. Mit Nyoka können Sie Ihre prädiktiven Modelle aus gängigen Python ML/DL-Frameworks in PMML exportieren.

Einrichten eines Notebooks zum Bereitstellen von Modellen

Die folgenden Code-Snippets ermöglichen es dem Benutzer, die notwendigen Pakete und die Authentifizierung zu importieren, um die Zementis Scoring Engine zu nutzen, die in die TrendMiner-Installation integriert ist. Diese Snippets können manuell oder über den Code-Snippet-Bereich innerhalb der TrendMiner Notebooks hinzugefügt werden.

from trendminer.ml.models import ZementisModels
zementis = ZementisModels(client)

Bereitstellen eines Modells

Sobald ein Modell in PMML konvertiert wurde, können Sie dieses Modell in der Zementis Scoring Engine einsetzen. Erfolgreich eingesetzte Modelle werden in der Funktionalität "Machine Learning Models tags" aufgelistet.

model_id = zementis.deploy_model("Your PMML file as a string")

Auflistung der verfügbaren Modelle

Eine Liste aller Modelle erhalten Sie über den Codeschnipsel:

zementis.list_models()

Modell-Details

Detaillierte Informationen zu einem Modell in Zementis können wie folgt angefordert werden:

zementis.model_details(model_id)

Löschen eines Modells

Ein Modell kann gelöscht werden, indem der Modellname im folgenden Ausschnitt angegeben wird:

zementis.delete_model(model_id)

Mehr Infos

Weitere Informationen finden Sie in der python-SDK-Dokumentation.

TrendMiner bietet auch ein integriertes Anomaly Detection Model, das in Zementis eingesetzt werden kann. Mehr Informationen über dieses Modell finden Sie hier.

Aktuelle Einschränkungen

  • Es können nur Modelle mit 10 oder weniger Eingangsvariablen eingesetzt werden.
  • Es werden nur analoge Eingänge und Ausgänge (Integer, Float, Double) unterstützt.
  • Es können nur PMML-Modelle eingesetzt werden, die von Zementis unterstützt werden.