Cómo importar un modelo entrenado a un flujo de decisiones

Preparar el modelo

Antes de importar un modelo entrenado a Decisimo, guárdelo en un archivo. En Python, esto suele hacerse serializando el modelo ajustado con pickle. Si el modelo está almacenado en una variable llamada model, puede guardarlo en un archivo así:

import pickle
with open(r'model.pkl', 'wb') as f:
    pickle.dump(model, f)

Ese es el archivo que cargará en la plataforma. Una vez guardado, el modelo está listo para importarse a un flujo de decisiones.

Decisimo integra el modelo en una lógica de decisiones más amplia. La plataforma no lo trata como un elemento independiente: lo ejecuta y recibe su resultado, que luego pasa a la siguiente etapa del flujo.

Qué espera el motor

Al ejecutar el modelo, el motor usa código con esta estructura:

prediction = model.predict_proba(data)
prediction = prediction.tolist()
return jsonify(prediction)

Esto es importante porque, si necesita resultados en forma de probabilidades, el modelo debe admitir predict_proba. El motor envía los datos como una matriz de campos que usted define de antemano. El orden de esos campos debe coincidir con el que espera el modelo.

Si el orden no coincide, la predicción puede fallar. También puede fallar si los tipos de datos son incorrectos. Si el modelo no puede procesar los valores, el flujo se detiene. Por eso es importante prepararlo antes de ponerlo en producción.

Importar el modelo

Cuando crea el archivo pickle, Decisimo le muestra una pantalla de importación. Allí define el entorno de ejecución y las entradas del modelo.

1. Seleccione la versión de Python

Primero, seleccione la versión de Python que se usó para entrenar o serializar el modelo. El entorno de ejecución debe coincidir con el que este necesita. Si la versión no es la correcta, las dependencias de los paquetes pueden fallar y el modelo quizá no se cargue.

2. Defina las bibliotecas necesarias

A continuación, indique qué bibliotecas necesita el modelo. Puede incluir scikit-learn, pandas, numpy u otros paquetes de los que dependa. Decisimo prepara el entorno de ejecución según esa lista.

3. Asigne las variables de entrada

Después, defina las variables de entrada que se usarán para generar la predicción. Especifíquelas en el orden exacto que espera el modelo y asigne el tipo de dato correcto a cada una.

  • El orden importa. El modelo lee la matriz de entradas posición por posición.
  • Los tipos de datos importan. Las cadenas de texto, los enteros, los números decimales y los valores booleanos deben coincidir con el esquema del modelo.
  • La asignación de campos importa. Cada variable debe corresponder al campo correcto del objeto de datos.

Durante la ejecución, Decisimo lee los campos seleccionados del objeto de datos, los convierte a los tipos definidos y los envía al modelo para generar una predicción.

Por qué la asignación de entradas debe ser exacta

Importar un modelo no consiste solo en cargar un archivo. Es un acuerdo entre el modelo y el flujo de decisiones. El modelo espera entradas con una estructura fija, y la plataforma construye esa estructura a partir de los campos que usted asigna.

Por eso, un desajuste en las entradas puede interrumpir todo el flujo. Un campo numérico enviado como texto puede provocar un error de conversión. Si falta un campo, la ejecución puede detenerse. Y si cambia el orden de los campos, el modelo puede producir una predicción incorrecta aunque se ejecute sin errores.

Por eso, la lógica de decisión determinista depende de definiciones estrictas de las entradas. El modelo debe recibir la misma estructura en cada ejecución. Así es posible rastrear las entradas, repetir el proceso y obtener resultados previsibles.

Guardar el modelo y preparar el entorno

Cuando hace clic en Save model, el sistema empieza a preparar el entorno de ejecución. El proceso puede tardar un minuto. Decisimo configura el entorno con la versión de Python seleccionada, importa las bibliotecas necesarias y carga el archivo del modelo.

Cuando el entorno está listo, el modelo queda disponible en el flujo de decisiones. Puede probarlo con datos de entrada y comprobar si el resultado coincide con lo esperado.

La etapa de prueba es importante. Permite confirmar que la asignación de entradas es correcta, que el modelo se carga bien y que la predicción devuelta sirve para la siguiente etapa de decisión.

Probar el modelo antes de ponerlo en producción

No omita las pruebas. Un modelo puede funcionar en un notebook y fallar en un motor de decisiones si el entorno de ejecución, las importaciones o la asignación de campos son diferentes.

Use valores de prueba que representen los datos reales de producción. Compruebe que:

  • el modelo se cargue sin errores,
  • las entradas se conviertan a los tipos correctos,
  • la predicción se devuelva en el formato esperado, y
  • la siguiente etapa del flujo de decisiones pueda usar ese resultado.

Si el modelo devuelve probabilidades, compruebe que puedan usarse en las etapas siguientes. Si el flujo requiere un umbral, confirme que el resultado del modelo permita aplicar esa regla. Si el flujo de decisiones depende de varios resultados, asegúrese de que la estructura de la respuesta sea estable.

Integre estas comprobaciones en un flujo de decisión

Cree reglas de crédito, fraude o cobros y ejecútelas en decisiones en tiempo real.

Problemas frecuentes

La mayoría de los problemas de importación se deben a unas pocas causas. Revise estos puntos antes de guardar el modelo para evitarlos.

  • Versión incompatible: El entorno de ejecución de Python no coincide con el entorno del modelo.
  • Faltan bibliotecas: El paquete necesario no se incluyó durante la importación.
  • Orden incorrecto de las entradas: Las variables no siguen el orden usado durante el entrenamiento.
  • Tipos de datos incorrectos: La plataforma no puede convertir bien los valores de entrada.
  • Formato de salida inesperado: El modelo devuelve datos en un formato que el flujo no puede usar.

Son problemas operativos, no de ciencia de modelos. El modelo puede ser bueno, pero la integración aún puede fallar si la interfaz no es correcta.

Cómo se integra en los flujos de decisiones

Una vez importado, el modelo se convierte en una etapa de un flujo de decisiones más amplio. Decisimo puede usar la predicción en reglas posteriores, scorecards o lógica de ramificación. Así puede combinar el resultado del modelo con reglas de negocio y fuentes de datos externas.

La diferencia está en lo que permite hacer la plataforma. Por sí solo, un modelo entrenado genera una predicción. Un flujo de decisiones le permite definir cómo actuar a partir de ella. Según el resultado del modelo y el resto de la lógica de decisiones, puede derivar la solicitud, aprobarla, rechazarla, marcarla o continuar el flujo.

Esta estructura sirve para préstamos, fraude, incorporación de clientes y operaciones de riesgos. El uso del modelo queda explícito y la decisión se puede auditar.

Lista de verificación

Antes de importar un modelo a Decisimo, compruebe lo siguiente:

  • Guarde el modelo ajustado en un archivo pickle.
  • Confirme qué versión de Python se usó para entrenarlo o serializarlo.
  • Incluya todas las bibliotecas necesarias.
  • Defina las variables de entrada en el orden correcto.
  • Asigne el tipo de dato correcto a cada variable.
  • Vincule cada variable con el campo correcto del objeto de datos.
  • Pruebe el modelo con valores de ejemplo.
  • Compruebe que la siguiente etapa de decisiones pueda usar el resultado.

En resumen

Importar un modelo a un flujo de decisiones requiere una integración controlada. El archivo es solo una parte del proceso. El entorno de ejecución, las bibliotecas, la asignación de entradas y el formato de salida deben ser compatibles.

Cuando todo coincide, Decisimo puede ejecutar el modelo como parte de una lógica de decisiones determinista. Así, la predicción se obtiene de forma repetible, se puede probar y rastrear, y queda disponible para las etapas siguientes, donde se aplica según reglas claras.

Preguntas frecuentes

¿Qué versión de Python y qué bibliotecas debo seleccionar para importar el modelo?

Use, en la medida que lo permita el entorno de ejecución disponible, las mismas versiones de Python y de los paquetes que se usaron para entrenar y serializar el modelo. Registre esas versiones junto con la versión del modelo y pruebe la carga y la predicción en el entorno de importación. Que el modelo funcione en un notebook no demuestra que vaya a cargarse en otro entorno.

¿Cómo puedo comprobar que la asignación de entradas del modelo es correcta?

Defina cada entrada en el mismo orden que espera el modelo, con el tipo de dato y el campo de origen correctos. Pruebe valores habituales, valores límite y campos ausentes. Después, compruebe que el modelo reciba los valores previstos. Si cambia el orden de las entradas, el modelo puede devolver una predicción plausible, así que una ejecución correcta por sí sola no demuestra que la asignación sea correcta.

¿Cómo elijo un umbral para las probabilidades que devuelve el modelo?

Defina el umbral según las reglas de crédito, los resultados de validación y el costo relativo de las aprobaciones y los rechazos erróneos. Compruebe que las probabilidades estén calibradas para la población donde se aplicará la regla y revise los resultados de las decisiones cercanas al umbral propuesto. No dé por sentado que 0.5 es el umbral correcto solo porque el modelo devuelve probabilidades.

¿Qué debo comprobar en los datos de prueba antes de usar el modelo en un flujo de decisiones?

Use datos de prueba representativos e incluya valores límite, información faltante y casos cercanos a cualquier umbral propuesto. Confirme que el modelo se cargue, devuelva la cantidad y el orden de resultados esperados, y produzca valores que pueda usar la lógica de decisiones siguiente. Guarde los datos de prueba y los resultados esperados junto con la versión del modelo para poder compararlos con los cambios futuros.

¿Qué debo comprobar antes de cargar un archivo pickle?

Cargue únicamente archivos pickle generados mediante un proceso de compilación confiable y revisado. Cargar un archivo pickle puede ejecutar código, por lo que un archivo de origen no confiable representa algo más que un riesgo de compatibilidad con el modelo. Antes de importarlo, confirme su origen y la versión del modelo para la que está previsto.

Integre estas comprobaciones en un flujo de decisión

Cree reglas de crédito, fraude o cobros y ejecútelas en decisiones en tiempo real.