Cara Mengimpor Model Terlatih ke Alur Keputusan
Menyiapkan Model
Sebelum mengimpor model terlatih ke Decisimo, simpan model sebagai file. Di Python, biasanya model yang sudah dilatih diserialisasi menggunakan pickle. Jika model Anda tersimpan dalam variabel bernama model, simpan ke file seperti berikut:
import pickle
with open(r'model.pkl', 'wb') as f:
pickle.dump(model, f)
File tersebut yang Anda unggah ke platform. Setelah disimpan, model siap diimpor ke alur keputusan.
Decisimo menggunakan model Anda sebagai bagian dari logika keputusan yang lebih luas. Platform tidak memperlakukan model sebagai komponen yang berdiri sendiri. Platform memanggil model dan menerima hasilnya, lalu meneruskan hasil tersebut ke tahap berikutnya dalam alur.
Yang Diharapkan Engine
Saat model dijalankan, engine menggunakan kode seperti berikut:
prediction = model.predict_proba(data)
prediction = prediction.tolist()
return jsonify(prediction)
Hal ini penting karena model Anda harus mendukung predict_proba jika Anda memerlukan keluaran probabilitas. Engine mengirimkan data sebagai array berisi field yang Anda tentukan sebelumnya. Urutan field tersebut harus sesuai dengan yang diharapkan model.
Jika urutannya salah, prediksi bisa gagal. Prediksi juga bisa gagal jika tipe datanya tidak sesuai. Jika model tidak dapat memproses nilainya, alur akan berhenti. Karena itu, persiapan sebelum penerapan penting dilakukan.
Mengimpor Model
Setelah Anda membuat file pickle, Decisimo menyediakan layar impor. Di layar tersebut, Anda menentukan runtime dan input model.
1. Pilih Versi Python
Mulailah dengan memilih versi Python yang digunakan untuk melatih atau menserialisasi model. Runtime harus sesuai dengan lingkungan yang dibutuhkan model. Jika versinya tidak sesuai, dependensi paket dapat bermasalah dan model mungkin tidak dapat dimuat.
2. Tentukan Pustaka yang Dibutuhkan
Berikutnya, cantumkan pustaka yang dibutuhkan model. Pustaka tersebut dapat mencakup scikit-learn, pandas, numpy, atau paket lain yang menjadi dependensi model Anda. Decisimo menyiapkan lingkungan eksekusi berdasarkan daftar tersebut.
3. Petakan Variabel Input
Selanjutnya, tentukan variabel input yang digunakan untuk membuat prediksi. Urutkan persis seperti yang diharapkan model. Tentukan juga tipe data yang tepat untuk setiap variabel.
- Urutan penting. Model membaca array input berdasarkan posisi.
- Tipe data penting. String, bilangan bulat, bilangan desimal, dan boolean harus sesuai dengan skema model.
- Pemetaan field penting. Setiap variabel harus diarahkan ke field yang tepat dalam objek data.
Saat dijalankan, Decisimo membaca field yang dipilih dari objek data, mengonversinya ke tipe data yang ditentukan, lalu mengirimkannya ke model Anda untuk menghasilkan prediksi.
Pentingnya Pemetaan Input yang Tepat
Mengimpor model bukan sekadar mengunggah file. Proses ini menetapkan kesesuaian antara model dan alur keputusan Anda. Model mengharapkan input dengan struktur tertentu. Platform menyusun struktur tersebut berdasarkan field yang Anda petakan.
Ketidaksesuaian pada input dapat membuat seluruh alur bermasalah. Field numerik yang dikirim sebagai teks mungkin gagal dikonversi. Field yang tidak tersedia dapat menghentikan eksekusi. Field yang urutannya berubah dapat menghasilkan prediksi yang keliru meskipun model tetap berjalan.
Karena itu, logika keputusan deterministik bergantung pada definisi input yang ketat. Model harus menerima struktur yang sama setiap kali dijalankan. Dengan begitu, hasilnya dapat ditelusuri dan diulang, serta tetap dapat diprediksi.
Menyimpan Model dan Menyiapkan Lingkungan
Setelah Anda mengeklik Save model, sistem mulai menyiapkan lingkungan eksekusi. Proses ini dapat memerlukan waktu sekitar satu menit. Decisimo membangun runtime dengan versi Python yang dipilih, mengimpor pustaka yang dibutuhkan, dan memuat model.
Setelah lingkungan siap, model dapat digunakan dalam alur keputusan. Anda dapat menjalankan input uji dan memeriksa apakah hasilnya sesuai harapan.
Pengujian ini penting. Anda dapat memastikan bahwa pemetaan input sudah benar, model berhasil dimuat, dan prediksi yang dikembalikan sesuai untuk digunakan pada tahap keputusan berikutnya.
Menguji Model Sebelum Penerapan
Jangan lewatkan pengujian. Model yang berjalan di notebook masih bisa gagal di decision engine jika runtime, impor, atau pemetaan field berbeda.
Gunakan nilai uji yang mencerminkan data produksi. Pastikan hal-hal berikut:
- model dapat dimuat tanpa error,
- input dikonversi ke tipe data yang tepat,
- hasil prediksi dikembalikan dalam format yang diharapkan, dan
- tahap berikutnya dalam alur keputusan dapat menggunakan hasil tersebut.
Jika model menghasilkan probabilitas, pastikan nilainya dapat digunakan pada proses berikutnya. Jika alur memerlukan ambang batas, pastikan hasil model dapat digunakan untuk menerapkan aturan tersebut. Jika alur keputusan bergantung pada beberapa keluaran, pastikan struktur responsnya konsisten.
Penyebab Umum Kegagalan
Sebagian besar masalah impor disebabkan oleh beberapa hal. Periksa hal-hal berikut sebelum menyimpan model untuk menghindarinya.
- Versi tidak sesuai: Runtime Python berbeda dari lingkungan model.
- Pustaka tidak tersedia: Paket yang dibutuhkan tidak dicantumkan saat impor.
- Urutan input salah: Urutan variabel tidak sesuai dengan yang digunakan saat pelatihan.
- Tipe data keliru: Platform tidak dapat mengonversi nilai input dengan benar.
- Bentuk keluaran tidak sesuai: Model mengembalikan data dalam format yang tidak dapat digunakan oleh alur.
Masalah tersebut berkaitan dengan operasional, bukan ilmu pemodelan. Modelnya bisa saja sudah baik, tetapi integrasinya tetap dapat gagal jika antarmukanya tidak sesuai.
Peran Model dalam Alur Keputusan
Setelah diimpor, model menjadi salah satu tahap dalam alur keputusan yang lebih luas. Decisimo dapat menggunakan prediksi dalam aturan berikutnya, scorecard, atau logika percabangan. Dengan begitu, Anda dapat menggabungkan hasil model dengan aturan bisnis dan sumber data eksternal.
Di sinilah platform berperan. Model yang sudah dilatih hanya menghasilkan prediksi. Alur keputusan memungkinkan Anda menindaklanjuti prediksi itu secara terkontrol. Anda dapat menentukan jalur, menyetujui, menolak, menandai, atau melanjutkan proses berdasarkan keluaran model dan logika keputusan lainnya.
Struktur ini berguna untuk pemberian pinjaman, fraud, onboarding, dan operasional risiko. Penggunaan model menjadi jelas dan keputusan dapat diaudit.
Daftar Periksa
Gunakan daftar periksa ini sebelum mengimpor model ke Decisimo:
- Simpan model yang sudah dilatih sebagai file pickle.
- Pastikan versi Python yang digunakan untuk pelatihan atau serialisasi.
- Cantumkan semua pustaka yang dibutuhkan.
- Tentukan variabel input dengan urutan yang benar.
- Tetapkan tipe data yang tepat untuk setiap variabel.
- Petakan setiap variabel ke field yang sesuai dalam objek data.
- Uji model dengan nilai sampel.
- Pastikan keluaran dapat digunakan pada tahap keputusan berikutnya.
Kesimpulan
Mengimpor model ke alur keputusan adalah proses integrasi yang terkontrol. File model hanyalah salah satu bagian dari proses. Runtime, pustaka, pemetaan input, dan format keluaran juga harus sesuai.
Jika semua bagian tersebut sesuai, Decisimo dapat menjalankan model sebagai bagian dari logika keputusan deterministik. Hasilnya, proses dapat diulang, prediksi dapat ditelusuri dan diuji, lalu digunakan pada proses berikutnya berdasarkan aturan yang jelas.
Pertanyaan yang sering diajukan
Versi Python dan pustaka apa yang sebaiknya dipilih untuk model yang diimpor?
Sesuaikan versi Python dan paket sedekat mungkin dengan versi yang digunakan untuk melatih dan menserialisasi model, sesuai runtime yang tersedia. Catat versi tersebut bersama rilis model, lalu uji proses pemuatan dan prediksi di lingkungan impor. Model yang berhasil dijalankan di notebook belum tentu dapat dimuat di lingkungan lain.
Bagaimana cara memastikan pemetaan input model sudah benar?
Tentukan setiap input sesuai urutan yang diharapkan model, dengan tipe data dan field sumber yang tepat. Uji nilai umum, nilai batas, dan field yang tidak tersedia, lalu pastikan model menerima nilai yang dimaksud. Model dapat menghasilkan prediksi yang tampak masuk akal meskipun urutan input tertukar, jadi keberhasilan menjalankan model saja tidak membuktikan pemetaan sudah benar.
Bagaimana menentukan ambang batas untuk keluaran probabilitas model?
Tentukan ambang batas berdasarkan kebijakan kredit, hasil validasi, dan biaya relatif dari kesalahan menyetujui atau menolak pengajuan. Pastikan probabilitasnya terkalibrasi untuk populasi sasaran penerapan aturan, lalu tinjau hasil keputusan di sekitar ambang yang diusulkan. Jangan menganggap 0.5 sebagai ambang yang tepat hanya karena model menghasilkan probabilitas.
Apa yang perlu diperiksa pada input uji sebelum menggunakan model dalam alur keputusan?
Gunakan input uji yang mewakili data sebenarnya, termasuk nilai batas, informasi yang tidak tersedia, dan kasus di sekitar ambang batas yang diusulkan. Pastikan model dapat dimuat, mengembalikan jumlah dan urutan keluaran yang diharapkan, serta menghasilkan nilai yang dapat digunakan oleh logika keputusan berikutnya. Simpan input uji dan hasil yang diharapkan bersama rilis model agar dapat digunakan untuk memeriksa perubahan di kemudian hari.
Apa yang perlu diperiksa sebelum mengunggah file pickle?
Unggah hanya file pickle yang dibuat melalui proses build tepercaya dan sudah ditinjau. Memuat file pickle dapat menjalankan kode, jadi file dari sumber yang tidak tepercaya bukan sekadar berisiko menimbulkan masalah kompatibilitas model. Pastikan asal file dan versi model yang dimaksud sebelum mengimpornya.