Configurar un motor

En esta página se explican brevemente los conceptos relacionados con la configuración de un motor.

Esta página es válida para las versiones del motor que se incluyen en las siguientes agrupaciones de versiones principales del motor. Para ver la página de otras versiones del motor, usa el selector situado en la parte superior de esta página.

En resumen, estos son los cambios de las versiones del buscador v003 a v004 (hasta la v004.008):

  • Se han añadido partiesCount y identifiedPartiesCount a los valores de las métricas ExpectedRecallPreTuning y ExpectedRecallPostTuning.

Fuentes admitidas para hiperparámetros

Al configurar un buscador, puede seleccionar la fuente de los hiperparámetros que se utilizan para crear un modelo. Se admiten las siguientes fuentes:

  • Ajuste automático: la IA de AML ajusta los hiperparámetros cuando creas un recurso EngineConfig (comportamiento predeterminado).
  • Heredar: hereda los hiperparámetros de una configuración de motor anterior que se haya creado con una versión anterior del motor en la misma versión de ajuste. Este ajuste te permite no tener que volver a configurar el modelo cada vez que adoptes una nueva versión del motor.

Cuándo ajustar o heredar

En las secciones siguientes se indica cuándo debes seleccionar el ajuste automático y cuándo debes heredar los hiperparámetros de una configuración de buscador anterior.

Cuándo ajustar

Tienes la opción de ajustar cada configuración del motor y, en caso de duda, siempre debes buscar la mejor configuración para obtener los mejores resultados. Para obtener más información, consulta la sección Cómo optimizar un buscador.

Para obtener el mejor rendimiento posible, deberías plantearte ajustar el motor cuando se produzca alguna de las siguientes situaciones:

  • Haces cambios significativos en la lógica del conjunto de datos. Por ejemplo, cuando cambia alguno de los siguientes elementos:
    • La lógica por la que se rellenan los campos
    • La selección de campos RECOMENDADOS que se rellenan
    • La lógica o la selección de los datos proporcionados en la tabla PartySupplementaryData
  • Estás a punto de entrenar un modelo para una nueva región.

Cuándo heredar hiperparámetros

Para ahorrar tiempo y costes al adoptar una nueva versión del motor, puedes heredar los hiperparámetros de un motor anterior que use la misma versión de ajuste. Consulta la sección Cómo adoptar una versión del motor sin volver a ajustar los parámetros.

Las versiones del motor con la versión de ajuste v003 y las versiones del motor lanzadas antes del 22-02-2024 no admiten la herencia de hiperparámetros, pero se pueden usar como fuente de hiperparámetros.

Cómo afinar un motor

Para activar la optimización, consulta Crear y gestionar configuraciones de motor.

En concreto, debes seleccionar lo siguiente:

  • Los datos que se van a usar para optimizar el motor:

    Especifica un conjunto de datos y una hora de finalización dentro del periodo del conjunto de datos.

    La optimización del motor usa etiquetas y funciones basadas en meses naturales completos hasta el mes de la hora de finalización seleccionada, pero sin incluirlo. Para obtener más información, consulta Intervalos de tiempo de los conjuntos de datos.

  • La versión del motor que se va a usar para la optimización del motor:

    Seleccione una versión del buscador que coincida con la línea de negocio (minorista o comercial) para la que vaya a usar los modelos asociados.

  • El volumen de investigaciones que esperas en función de los modelos:

    Especifica partyInvestigationsPerPeriodHint. Se usa para la optimización, el entrenamiento y las pruebas retrospectivas del motor para asegurar que la IA de AML ofrezca un rendimiento adecuado al volumen de investigaciones mensual.

Resultados de la personalización de motores

El ajuste del buscador genera un recurso EngineConfig, que se puede usar para crear un recurso Model.

Los metadatos de configuración del motor contienen las siguientes métricas. En concreto, estas métricas le muestran lo siguiente:

  • Ganancia de rendimiento prevista al ajustar el buscador en comparación con el uso de los hiperparámetros predeterminados

  • Mediciones que se pueden usar para evaluar la coherencia de los conjuntos de datos (por ejemplo, comparando los valores que faltan de las familias de características de diferentes operaciones).

Nombre de la métrica Descripción de la métrica Valor de métrica de ejemplo
ExpectedRecallPreTuning Métrica de recuerdo medida en un conjunto de pruebas al usar los hiperparámetros predeterminados de la versión del motor.

Esta medición de la retirada asume el número de investigaciones al mes especificado en partyInvestigationsPerPeriodHint. 

{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.72,
      "partiesCount": 100,
      "identifiedPartiesCount": 72,
      "scoreThreshold": 0.42,
    },
  ],
}
ExpectedRecallPostTuning Métrica de recuperación medida en un conjunto de pruebas al usar hiperparámetros ajustados.

Esta medición de la retirada asume el número de investigaciones al mes especificado en partyInvestigationsPerPeriodHint. 

{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.80,
      "partiesCount": 100,
      "identifiedPartiesCount": 80,
      "scoreThreshold": 0.43,
    },
  ],
}
Faltan datos

Porcentaje de valores que faltan en todas las funciones de cada familia de funciones.

Lo ideal es que todas las familias de funciones de IA de AML tengan un valor de Missingness cercano a 0. Puede haber excepciones en las que los datos subyacentes de esas familias de funciones no estén disponibles para la integración.

Un cambio significativo en este valor para cualquier familia de funciones entre la optimización, el entrenamiento, la evaluación y la predicción puede indicar una incoherencia en los conjuntos de datos utilizados. 

{
  "featureFamilies": [
    {
      "featureFamily": "unusual_wire_credit_activity",
      "missingnessValue": 0.00,
    },
    ...
    ...
    {
      "featureFamily": "party_supplementary_data_id_3",
      "missingnessValue": 0.45,
    },
  ],
}

Cómo adoptar una versión del motor sin volver a optimizar

Para reutilizar los hiperparámetros de una configuración de motor anterior, consulta la sección Crear una configuración de motor que herede hiperparámetros (en la página Crear y gestionar configuraciones de motor). En concreto, debes seleccionar lo siguiente:

  • Tipo de fuente de hiperparámetros: selecciona INHERITED como hyperparameterSourceType. Si no especifica el tipo de fuente, el tipo de fuente del hiperparámetro se define como TUNING para permitir la compatibilidad con versiones anteriores.
  • Fuente de hiperparámetros: especifica el nombre completo del recurso de la configuración del motor de origen en el objeto hyperparameterSource. Las salidas de la configuración del motor de origen se usan para la nueva configuración del motor. La configuración del motor de origen debe haberse creado con una versión anterior del motor dentro de la misma versión del motor de ajuste que estás usando ahora.
  • Versión del motor que se va a usar en la configuración del motor: Selecciona una versión del motor que coincida con la línea de negocio (venta minorista o comercial) de los modelos que quieras usar. Si se heredan hiperparámetros, la línea de negocio debe coincidir con la línea de negocio utilizada para la fuente de hiperparámetros.

Salida y linaje al heredar

Si heredas hiperparámetros de otra versión del buscador, se crea un recurso EngineConfig que se puede usar para crear un recurso Model con los hiperparámetros de la configuración del buscador de origen.

En el caso del linaje, los siguientes campos del recurso EngineConfig se definen de la siguiente manera cuando se heredan hiperparámetros de otra configuración de motor:

  • hyperparameterSourceType: INHERITED
  • hyperparameterSource: la configuración del motor que se usa como fuente de hiperparámetros.
  • tuning: objeto tuning original, incluida la referencia al conjunto de datos utilizado para la optimización del motor original (primaryDataset) y la hora más reciente a partir de la cual se usaron los datos para generar las características del entrenamiento (endTime)
  • performanceTarget: objeto performanceTarget original, incluido el volumen de investigaciones previsto en función de los modelos especificados (partyInvestigationsPerPeriodHint).
  • Metadatos de configuración del buscador de la optimización original del buscador