Importação de um Modelo de ML

Importe um modelo de ML totalmente treinado em um aplicativo do Planning para prepará-lo para ser usado por usuários de negócios.

Pré-requisito: para que você possa importar o modelo ML, a equipe de ciência de dados precisa criar, treinar e salvar o modelo ML como um arquivo PMML.

Para importar um modelo ML para um aplicativo do Planning:

1. Na Homepage, clique em IPM e depois clique em Modelos ML.
2. Clique em Importar. Depois arraste o arquivo PMML e solte-o ou navegue até ele e selecione-o.

   Na página Importar Modelo, você vê informações sobre o arquivo PMML, como a coluna de destino (a variável a ser prevista usando o modelo ML) e a data de treinamento.

3. Informe um nome e uma descrição para o modelo. Em seguida, clique em Próximo.
4. Na página Gerar Regra, insira as informações que gerarão uma regra Groovy para associar aos formulários e dashboards:

   Em Mapeamento de Modelos, selecione o cubo onde o modelo ML será usado e defina o escopo de dados em que o modelo ML deverá ser usado. Para isso, selecione um membro ou um conjunto de membros de cada dimensão.

5. Mapeie Entrada e Saída para as dimensões e os membros apropriados no cubo, depois clique em Avançar.

   As seções de Entrada e Saída contêm a lista dos recurso de entrada (recursos/colunas que são usados para fazer predições) e o recurso de destino (a coluna cuja previsão é esperada). O Planning analisa o arquivo PMML para gerar a lista de entradas e saídas.

   Os recursos de entrada são variáveis independentes, semelhantes a drivers, que funcionam como uma entrada em seu sistema. Quando você faz previsões, o modelo usa os recursos de entrada para prever sua saída. Na primeira etapa, você mapeia a entrada do modelo ML para a saída no cubo do Planning. A entrada descreve como extrair os dados do modelo ML. A saída define a medida de destino que você deseja prever e onde os valores previstos deverão ser colados no aplicativo do Planning.

   Por exemplo, produto, preço e volume da indústria, os valores de entrada, podem ser usados para prever o volume, a saída.

   • Na área Entrada, para cada recurso de entrada, selecione um Tipo de Entrada. Se você selecionar Valor da Célula ou Membro, selecione os membros ou as dimensões no aplicativo do Planning para os quais eles serão mapeados. Tipos de entrada:

     • Prompt: Se você não tiver um membro ou uma dimensão no Planning que mapeie para esse valor de entrada a partir do modelo ML, quando a predição for feita, solicite que o usuário insira uma estimativa para o valor.
     • Valor da Célula: Mapeia um recurso de entrada para um ou mais membros de dimensão no cubo do Planning. Por exemplo, o recurso de entrada denominado Preço mapeia para um membro de conta denominado Preço no aplicativo do Planning.
     • Membro: Mapeia um recurso de entrada para uma dimensão no cubo do Planning. Por exemplo, o recurso de entrada denominado Produtos mapeia para a dimensão Produto no aplicativo do Planning.

   • Na área Saída, selecione um Tipo de Entrada. Se você selecionar Valor da Célula ou Membro, selecione os membros ou as dimensões no aplicativo do Planning para os quais eles serão mapeados a fim de armazenar os resultados da predição.

6. Em Analisar Modelo, analise o modelo ML e depois clique em Próximo.

   Essa etapa representa o MLX (Machine Learning Explainability) e extrai informações adicionais sobre o modelo ML. Por exemplo, analise os Coeficientes de Regressão para ver como o impacto relativo dos principais recursos de entrada é usado para prever a saída. A altura da barra representa o efeito incremental do aumento de uma unidade em um recurso de entrada na variável de destino.

7. Em Testar Modelo, teste o modelo ML gerando uma predição para um conjunto de valores de amostra. Para cada Entrada, informe um valor de entrada de amostra e depois clique em Prever.
8. Analise o valor de Saída previsto e depois clique em Salvar e Fechar.
9. Clique em Sim para confirmar a criação de Regras Groovy.

São geradas duas regras Groovy para cada definição de modelo ML:

• ML_MLModelName_Form: Use esta regra para associar a um formulário ou dashboard, o que permite que os usuários façam predições sob demanda.
• ML_MLModelName: Use esta regra para gerar predições de grande escala em um job agendado para processamento em lote.

Você pode analisar as regras geradas no Calculation Manager. As regras Groovy definem o nome e a localização do arquivo PMML, com a entrada e a saída baseadas no mapeamento que você definiu. Para obter mais informações sobre como usar essas regras Groovy geradas, consulte Implantação de um Modelo de ML para Planejadores.