Importer un modèle entraîné dans un flux de décision
Préparer le modèle
Avant d’importer un modèle entraîné dans Decisimo, enregistrez-le dans un fichier. En Python, il s’agit généralement de sérialiser le modèle ajusté avec pickle. Si le modèle est stocké dans une variable appelée model, vous pouvez l’enregistrer ainsi :
import pickle
with open(r'model.pkl', 'wb') as f:
pickle.dump(model, f)
C'est ce fichier qui est chargé dans la plateforme. Une fois enregistré, le modèle est prêt à être importé dans un flux de décision.
Decisimo intègre le modèle à une logique décisionnelle plus large. Il ne fonctionne pas de manière autonome : la plateforme appelle le modèle, récupère son résultat, puis le transmet à l’étape suivante du flux.
Ce que le moteur attend
À l’exécution du modèle, le moteur utilise un code de ce type :
prediction = model.predict_proba(data)
prediction = prediction.tolist()
return jsonify(prediction)
Pour obtenir des probabilités, le modèle doit prendre en charge predict_proba. Le moteur lui transmet un tableau contenant les champs définis au préalable. Ces champs doivent être dans l’ordre attendu par le modèle.
Un ordre incorrect peut faire échouer la prédiction. Il en va de même si les types de données ne conviennent pas ou si le modèle ne peut pas traiter les valeurs reçues. Le flux s’interrompt alors. Il faut donc préparer le modèle avant son déploiement.
Importer le modèle
Une fois le fichier pickle créé, Decisimo affiche un écran d’importation. Vous y définissez l’environnement d’exécution et les entrées du modèle.
1. Choisir la version de Python
Choisissez d’abord la version de Python utilisée pour entraîner ou sérialiser le modèle. L’environnement d’exécution doit correspondre à celui qu’attend le modèle. Une version incompatible peut entraîner des problèmes avec les dépendances et empêcher le chargement du modèle.
2. Indiquer les bibliothèques nécessaires
Indiquez ensuite les bibliothèques dont le modèle a besoin, par exemple scikit-learn, pandas, numpy ou d’autres packages. Decisimo prépare l’environnement d’exécution à partir de cette liste.
3. Définir les variables d’entrée
Définissez ensuite les variables utilisées pour la prédiction. Indiquez-les dans l’ordre exact attendu par le modèle et précisez le type de données de chacune.
- L’ordre compte. Le modèle lit le tableau d’entrée position par position.
- Le type de données compte. Les chaînes de caractères, les entiers, les nombres décimaux et les booléens doivent correspondre au schéma du modèle.
- La correspondance des champs compte. Chaque variable doit être associée au bon champ de l’objet de données.
Lors de l’exécution, Decisimo lit les champs sélectionnés dans l’objet de données, les convertit aux types définis, puis les transmet au modèle pour obtenir une prédiction.
Pourquoi les entrées doivent correspondre exactement
Importer un modèle ne consiste pas seulement à téléverser un fichier. Le modèle et le flux de décision doivent respecter un même contrat. Le modèle attend une structure précise, que la plateforme compose à partir des champs associés.
Une erreur dans les entrées peut interrompre tout le flux. Un champ numérique transmis sous forme de texte peut ne pas être converti. Un champ manquant peut bloquer l’exécution. Un champ placé au mauvais endroit peut fausser la prédiction, même si le modèle s’exécute.
Une logique décisionnelle déterministe repose donc sur des entrées définies avec précision. Le modèle doit recevoir la même structure à chaque exécution. Les résultats sont ainsi reproductibles et prévisibles, et les éléments qui les ont produits peuvent être retrouvés.
Enregistrer le modèle et préparer l’environnement
Après un clic sur Save model, le système prépare l’environnement d’exécution. Cette opération peut prendre une minute. Decisimo configure l’environnement avec la version de Python sélectionnée, importe les bibliothèques nécessaires et charge le fichier du modèle.
Une fois l’environnement prêt, le modèle peut être utilisé dans le flux de décision. Vous pouvez alors lancer des tests et vérifier que les résultats correspondent aux attentes.
Cette vérification permet de confirmer que les entrées sont bien associées, que le modèle se charge correctement et que la prédiction renvoyée convient à l’étape suivante.
Tester le modèle avant son déploiement
Ne faites pas l’impasse sur les tests. Un modèle peut fonctionner dans un notebook et échouer dans un moteur de décision si l’environnement d’exécution, les imports ou l’association des champs diffèrent.
Utilisez des valeurs de test proches des données réelles. Vérifiez que :
- le modèle se charge sans erreur,
- les entrées sont converties aux bons types,
- la prédiction est renvoyée au format attendu, et
- l’étape suivante du flux de décision peut utiliser ce résultat.
Si le modèle renvoie des probabilités, vérifiez qu’elles peuvent être utilisées dans les étapes suivantes. Si le flux repose sur un seuil, assurez-vous que le résultat du modèle permet d’appliquer cette règle. Si le flux utilise plusieurs résultats, vérifiez que leur structure reste stable.
Causes fréquentes d’échec
Les problèmes d’importation viennent le plus souvent de quelques erreurs courantes. Vérifiez les points suivants avant d’enregistrer le modèle.
- Version incompatible : l’environnement Python diffère de celui du modèle.
- Bibliothèques manquantes : un package nécessaire n’a pas été indiqué lors de l’importation.
- Ordre des entrées incorrect : les variables ne suivent pas l’ordre utilisé pendant l’entraînement.
- Types de données incorrects : la plateforme ne peut pas convertir correctement les valeurs reçues.
- Format de sortie inattendu : le flux ne peut pas utiliser les données renvoyées par le modèle.
Il s'agit de problèmes opérationnels, pas de questions relevant de la science des modèles. Le modèle peut être bon, mais l'intégration peut tout de même échouer si l'interface est incorrecte.
La place du modèle dans un flux de décision
Après son importation, le modèle devient une étape d’un flux de décision plus large. Decisimo peut utiliser sa prédiction dans les règles suivantes, les scorecards ou les embranchements du flux. Les résultats du modèle peuvent ainsi être combinés aux règles métier et aux sources de données externes.
Un modèle entraîné fournit une prédiction. Le flux de décision permet de définir la suite à lui donner. Selon le résultat du modèle et les autres éléments de la logique décisionnelle, le flux peut orienter un dossier, l’accepter, le refuser, le signaler ou le faire suivre à l’étape suivante.
Cette structure est utile pour l'octroi de crédit, la lutte contre la fraude, l'entrée en relation et les opérations de gestion des risques. Elle rend l'utilisation du modèle explicite. La décision peut aussi faire l'objet d'un audit.
Liste de vérification
Avant d’importer un modèle dans Decisimo, vérifiez les points suivants :
- Enregistrer le modèle ajusté dans un fichier pickle.
- Confirmer la version de Python utilisée pour l’entraînement ou la sérialisation.
- Indiquer toutes les bibliothèques nécessaires.
- Définir les variables d’entrée dans le bon ordre.
- Attribuer le type de données approprié à chaque variable.
- Associer chaque variable au bon champ de l’objet de données.
- Tester le modèle avec des valeurs d’exemple.
- Vérifier que le résultat peut être utilisé à l’étape suivante du flux de décision.
À retenir
Intégrer un modèle à un flux de décision demande une configuration précise. Le fichier du modèle ne suffit pas : l’environnement d’exécution, les bibliothèques, les entrées et le format de sortie doivent aussi correspondre.
Dans ce cas, Decisimo peut exécuter le modèle dans le cadre d’une logique de décision déterministe. Le processus est alors reproductible : la prédiction peut être retracée, testée et utilisée en aval selon des règles claires.
Questions fréquentes
Quelle version de Python et quelles bibliothèques choisir pour le modèle importé ?
Reprenez autant que possible les versions de Python et des packages utilisées pour entraîner et sérialiser le modèle, dans la limite des environnements d’exécution disponibles. Notez ces versions avec celle du modèle, puis testez son chargement et ses prédictions dans l’environnement importé. Un test réussi dans un notebook ne garantit pas que le modèle se chargera dans un autre environnement.
Comment vérifier la correspondance des entrées du modèle ?
Définissez chaque entrée dans l’ordre attendu par le modèle, avec le bon type de données et le bon champ source. Testez des valeurs courantes, des valeurs limites et des champs manquants, puis vérifiez que le modèle reçoit les valeurs prévues. Avec des entrées dans le mauvais ordre, le modèle peut renvoyer une prédiction plausible. Un test réussi ne suffit donc pas à confirmer que les associations sont correctes.
Comment choisir un seuil pour les probabilités renvoyées par le modèle ?
Définissez le seuil en fonction des critères d’octroi, des résultats de validation et du coût relatif des acceptations et des refus à tort. Vérifiez que les probabilités sont calibrées pour la population concernée, puis examinez les décisions proches du seuil envisagé. Ne partez pas du principe que 0,5 est le bon seuil simplement parce que le modèle renvoie des probabilités.
Que vérifier dans les entrées de test avant d’utiliser le modèle dans un flux de décision ?
Utilisez des entrées de test représentatives, avec des valeurs limites, des informations manquantes et des cas proches du seuil envisagé. Vérifiez que le modèle se charge, renvoie le nombre de résultats attendu dans le bon ordre et produit des valeurs utilisables par la logique décisionnelle suivante. Conservez les entrées de test et les résultats attendus avec la version du modèle pour pouvoir les comparer lors de changements ultérieurs.
Que vérifier avant de téléverser un fichier pickle ?
N’importez qu’un fichier pickle issu d’un processus de création fiable et vérifié. Le chargement d’un fichier pickle peut exécuter du code : un fichier provenant d’une source non fiable présente donc un risque qui dépasse la seule compatibilité avec le modèle. Vérifiez l’origine du fichier et la version du modèle prévue avant de l’importer.