Como importar um modelo treinado para um fluxo de decisão

Como preparar o modelo

Antes de importar um modelo treinado para o Decisimo, salve-o em um arquivo. Em Python, isso geralmente significa serializar o modelo ajustado com pickle. Se o modelo estiver armazenado em uma variável chamada model, você pode salvá-lo em um arquivo assim:

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

Esse é o arquivo que você envia para a plataforma. Depois de salvá-lo, o modelo está pronto para ser importado para um fluxo de decisão.

No Decisimo, o modelo faz parte de uma lógica de decisão mais ampla, não funciona como um artefato isolado. A plataforma chama o modelo e recebe o resultado, que é encaminhado para a próxima etapa do fluxo.

O que o mecanismo espera

Quando o modelo é executado, o mecanismo usa um código como este:

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

Isso é importante porque, para obter resultados em forma de probabilidade, o modelo precisa oferecer suporte a predict_proba. O mecanismo envia os dados como um array de campos definidos por você. A ordem desses campos precisa corresponder à esperada pelo modelo.

Se a ordem estiver errada, a previsão pode falhar. O mesmo pode acontecer se os tipos de dados não forem os esperados ou se o modelo não conseguir processar os valores. Nesse caso, o fluxo para. Por isso, a preparação é importante antes da implantação.

Como importar o modelo

Depois que você criar o arquivo pickle, o Decisimo exibirá uma tela de importação. Nela, você define o ambiente de execução e as entradas do modelo.

1. Escolha a versão do Python

Comece escolhendo a versão do Python usada para treinar ou serializar o modelo. O ambiente de execução deve corresponder ao que o modelo espera. Se a versão estiver errada, as dependências dos pacotes podem apresentar problemas e o modelo talvez não carregue.

2. Informe as bibliotecas necessárias

Em seguida, liste as bibliotecas de que o modelo precisa. Elas podem incluir scikit-learn, pandas, numpy ou outros pacotes dos quais ele dependa. O Decisimo prepara o ambiente de execução com base nessa lista.

3. Mapeie as variáveis de entrada

Depois, defina as variáveis de entrada usadas na previsão, na ordem exata esperada pelo modelo. Informe também o tipo de dado correto para cada variável.

  • A ordem importa. O modelo lê cada posição do array de entrada.
  • Os tipos de dados importam. Strings, números inteiros, números decimais e valores booleanos precisam corresponder ao esquema do modelo.
  • O mapeamento dos campos importa. Cada variável deve apontar para o campo correspondente no objeto de dados.

Durante a execução, o Decisimo lê os campos selecionados no objeto de dados, converte-os para os tipos definidos e os envia ao modelo para gerar uma previsão.

Por que o mapeamento das entradas precisa ser exato

Importar um modelo não é apenas enviar um arquivo. É estabelecer um contrato entre o modelo e o fluxo de decisão. O modelo espera entradas em uma estrutura fixa, que a plataforma monta a partir dos campos mapeados por você.

Por isso, um problema na camada de entrada pode interromper todo o fluxo. Um campo numérico enviado como texto pode não ser convertido. A falta de um campo pode interromper a execução. E um campo fora de ordem pode gerar uma previsão incorreta, mesmo que o modelo seja executado.

Uma lógica de decisão determinística depende de definições rigorosas para as entradas. O modelo precisa receber a mesma estrutura em todas as execuções. Assim, você tem rastreabilidade, repetibilidade e resultados previsíveis.

Como salvar o modelo e preparar o ambiente

Quando você clica em Save model, o sistema começa a preparar o ambiente de execução. Esse processo pode levar um minuto. O Decisimo configura o ambiente com a versão do Python selecionada, importa as bibliotecas necessárias e carrega o modelo.

Quando o ambiente estiver pronto, o modelo ficará disponível no fluxo de decisão. Você poderá executar testes com dados de entrada e conferir se os resultados correspondem ao esperado.

Esse teste é importante. Ele permite confirmar se o mapeamento das entradas está correto, se o modelo carrega como deveria e se a previsão retornada é adequada para a próxima etapa de decisão.

Teste o modelo antes da implantação

Não pule os testes. Um modelo pode funcionar em um notebook e ainda falhar em um mecanismo de decisão se o ambiente de execução, as importações ou o mapeamento dos campos forem diferentes.

Use valores de teste que representem os dados reais de produção. Confira se:

  • o modelo carrega sem erros,
  • as entradas são convertidas para os tipos corretos,
  • a previsão é retornada no formato esperado, e
  • a próxima etapa do fluxo de decisão consegue usar esse resultado.

Se o modelo retornar probabilidades, confira se elas podem ser usadas nas etapas seguintes. Se o fluxo depender de um ponto de corte, verifique se o resultado do modelo pode ser usado nessa regra. Se a decisão depender de vários resultados, confirme se a estrutura da resposta é consistente.

Leve essas verificações para um fluxo de decisão

Crie regras para crédito, fraude ou cobrança e aplique-as a decisões em produção.

Problemas comuns na importação

A maioria dos problemas de importação está ligada a alguns pontos. Confira cada um deles antes de salvar o modelo.

  • Versão incompatível: a versão do Python no ambiente de execução não corresponde à do ambiente do modelo.
  • Bibliotecas ausentes: um pacote necessário não foi informado durante a importação.
  • Ordem incorreta das entradas: as variáveis não estão na mesma ordem usada no treinamento.
  • Tipos de dados incorretos: a plataforma não consegue converter os valores de entrada corretamente.
  • Formato de saída inesperado: o modelo retorna dados em um formato que o fluxo não consegue usar.

São problemas operacionais, não de ciência de modelos. O modelo pode ser bom, mas a integração ainda pode falhar se a interface estiver errada.

Como o modelo se encaixa nos fluxos de decisão

Depois de importado, o modelo passa a ser uma etapa de um fluxo de decisão mais amplo. O Decisimo pode usar a previsão em regras posteriores, scorecards ou lógicas de ramificação. Assim, você combina o resultado do modelo com regras de negócio e fontes externas de dados.

É aqui que a plataforma faz diferença. Um modelo treinado gera uma previsão. Um fluxo de decisão permite definir como agir com base nela. Você pode encaminhar, aprovar, rejeitar, sinalizar ou dar continuidade ao processo, de acordo com o resultado do modelo e o restante da lógica de decisão.

Essa estrutura é útil em crédito, fraude, integração de clientes e operações de risco. Ela deixa claro como o modelo é usado e permite auditar a decisão.

Checklist prático

Antes de importar um modelo para o Decisimo, confira se você:

  • Salvou o modelo ajustado em um arquivo pickle.
  • Confirmou a versão do Python usada no treinamento ou na serialização.
  • Listou todas as bibliotecas necessárias.
  • Definiu as variáveis de entrada na ordem correta.
  • Indicou o tipo de dado correto para cada variável.
  • Mapeou cada variável para o campo correspondente no objeto de dados.
  • Testou o modelo com valores de exemplo.
  • Conferiu se o resultado pode ser usado na próxima etapa de decisão.

Para concluir

Importar um modelo para um fluxo de decisão exige uma integração controlada. O arquivo do modelo é apenas uma parte do processo. O ambiente de execução, as bibliotecas, o mapeamento das entradas e o formato de saída precisam estar alinhados.

Com tudo configurado, o Decisimo pode executar o modelo como parte de uma lógica de decisão determinística. Assim, você tem um processo repetível, com uma previsão que pode ser rastreada, testada e usada nas etapas seguintes com regras claras.

Perguntas frequentes

Qual versão do Python e quais bibliotecas devo selecionar para o modelo importado?

Use versões do Python e dos pacotes tão próximas quanto possível das usadas para treinar e serializar o modelo, dentro das opções disponíveis no ambiente de execução. Registre essas versões junto com o release do modelo. Depois, teste o carregamento e a previsão no ambiente de importação. O fato de o modelo funcionar em um notebook não garante que ele carregará em outro ambiente.

Como conferir se o mapeamento das entradas do modelo está correto?

Defina cada entrada na mesma ordem esperada pelo modelo, com o tipo de dado e o campo de origem corretos. Teste valores comuns, valores limite e campos ausentes. Depois, confira se o modelo recebe os valores previstos. Com as entradas fora de ordem, o modelo ainda pode gerar uma previsão plausível. Por isso, uma execução bem-sucedida, por si só, não confirma que o mapeamento está correto.

Como escolher um ponto de corte para as probabilidades do modelo?

Defina o ponto de corte com base na política de crédito, nos resultados da validação e no custo relativo de aprovações e recusas equivocadas. Confira se as probabilidades estão calibradas para a população em que a regra será usada e analise os resultados das decisões próximas ao ponto de corte proposto. Não presuma que 0,5 é o ponto de corte correto só porque o modelo retorna probabilidades.

O que conferir nos dados de teste antes de usar o modelo em um fluxo de decisão?

Use dados de teste representativos e inclua valores limite, informações ausentes e casos próximos de qualquer ponto de corte proposto. Confirme se o modelo carrega, retorna a quantidade e a ordem esperadas de resultados e produz valores que a lógica de decisão seguinte consegue usar. Guarde os dados de teste e os resultados esperados junto com o release do modelo para comparar futuras alterações.

O que conferir antes de enviar um arquivo pickle?

Envie apenas arquivos pickle produzidos por um processo de criação confiável e revisado. O carregamento de um pickle pode executar código, então um arquivo de origem não confiável representa mais do que um risco de compatibilidade com o modelo. Antes de importar, confirme a origem do arquivo e a versão do modelo a que ele se destina.

Leve essas verificações para um fluxo de decisão

Crie regras para crédito, fraude ou cobrança e aplique-as a decisões em produção.