Comment orchestrer un scoring modulaire massif en réutilisant les composantes mathématiques d'un modèle préalablement entraîné ?

Dans le cadre d'un cycle de vie MLOpsLe MLOps (Machine Learning Operations) unit DevOps et IA pour automatiser, industrialiser et monitorer le cycle de vie des modèles, garantissant leur performance et leur gouvernance en production. mature, il est essentiel de décorréler la phase d'entraînement, souvent très coûteuse, de la phase de scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya. opérationnel. Le bloc de paramètres score a été architecturé exactement pour ce besoin. Il permet d'ingérer des tables CAS contenant les poids synaptiques préalablement sauvegardés des différentes composantes de l'équation économétrique. Au lieu de recalculer la topologie, le moteur charge en parallèle des objets spécifiques : inA pour le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). alpha, inB pour le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). beta, ainsi que inEta0 et inEta1 pour reconstruire l'ordonnée à l'origine et la pente du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). de traitement originel. Les nœuds de calcul Viya vont alors appliquer ces filtres mathématiques sur les nouvelles données et déverser les résultats métiers au sein des tables de destination comme outOutcome ou outPs pour la propension.