La plateforme Zementis est un moteur de scoring d'analyse prédictive qui est inclus dans l'installation de TrendMiner (à partir de la version 2021.R2). Zementis offre un moyen de déployer de l'apprentissage automatique, de l'Intelligence artificielle, et les modèles prédictifs, ce qui permet d'évaluer les données entrantes en temps réel et de stocker ces informations comme un nouveau tag dans TrendMiner via la fonctionnalité "Machine Learning Model tags".
L'accès à Zementis n'est possible qu'après la mise en place d'une gestion des accès. Une licence séparée est également nécessaire. Contactez nous à TrendMiner si vous êtes intéressé.
-
Normes ouvertes
- Predictive Model markup Language (PMML)
- Predictive Model markup Language (PMML)
- Configuration de votre Notebook
- Déployer des modèles
- Lister les modèles
- Détails du modèle
- Suppression de modèles
- Plus d'informations
- Limites actuelles
Normes ouvertes
L'analyse prédictive de Zementis est basée sur des normes ouvertes afin de tirer parti de l'innovation d'une vaste communauté de scientifiques des données, de statisticiens, de professionnels de l'informatique et d'autres experts dans l'infusion de techniques quantitatives dans la prise de décision commerciale sophistiquée.
Vous utiliserez la norme Predictive Model Markup Language (PMML) pour importer et déployer des modèles prédictifs. Les Notebooks TrendMiner sont préinstallés avec une bibliothèque Python (Nyoka) pour convertir les modèles prédictifs en PMML.
Nyoka est une bibliothèque Python qui fournit un support complet pour la dernière norme PMML ainsi que des extensions pour le prétraitement des données, l'exécution de scripts et les réseaux neuronaux profonds. Grâce à Nyoka, vous pouvez exporter vos modèles prédictifs en PMML à partir des frameworks ML/DL Python les plus populaires.
Configuration d'un Notebook pour le déploiement de modèles
Les extraits de code suivants permettent à l'utilisateur d'importer les paquets et l'authentification nécessaires pour utiliser le moteur de notation de Zementis qui est intégré dans l'installation de TrendMiner. Ces extraits de code peuvent être ajoutés manuellement ou via la section des extraits de code dans les Notebooks de TrendMiner.
from trendminer.ml.models import ZementisModels
zementis = ZementisModels(client)
Déploiement d'un modèle
Une fois qu'un modèle a été converti en PMML, vous pourrez déployer ce modèle sur le moteur de scoring de Zementis. Les modèles déployés avec succès seront répertoriés dans la fonctionnalité Machine Learning Models tags.
model_id = zementis.deploy_model("Your PMML file as a string")
Liste des modèles disponibles
Une liste de tous les modèles peut être obtenue via l'extrait de code :
zementis.list_models()
Détails des modèles
Des informations détaillées sur un modèle de Zementis peuvent être demandées comme suit :
zementis.model_details(model_id)
Suppression d'un modèle
Un modèle peut être supprimé en fournissant le nom du modèle au snippet suivant :
zementis.delete_model(model_id)
Plus d'informations
Vous trouverez de plus amples informations dans la documentation de python-SDK.
TrendMiner offre également un modèle intégré de détection des anomalies qui peut être déployé sur Zementis. Plus d'informations sur ce modèle peuvent être trouvées ici.
Limites actuelles
Seuls les modèles comportant 10 variables d'entrée ou moins peuvent être déployés.
Seules les entrées et sorties analogiques (entiers, flottants, doubles) sont supportées.
Seuls les modèles PMML supportés par les Zementis peuvent être déployés.