Nesta página, você verá brevemente os conceitos por trás da configuração de um mecanismo.
Quando sintonizar ou voltar
A AML AI ajusta os hiperparâmetros quando você cria um recurso EngineConfig. Essa é uma etapa necessária antes que um mecanismo treine um modelo para qualquer versão dele, já que a configuração do mecanismo precisa ser especificada na criação de um modelo.
Para ter o melhor desempenho, considere o ajuste do mecanismo quando alguma das seguintes situações ocorrer:
- Você fizer mudanças significativas na lógica do conjunto de dados. Por exemplo, quando qualquer uma das seguintes mudanças:
- A lógica pela qual os campos são preenchidos
- A seleção de campos RECOMENDADOS que são preenchidos
- A lógica ou seleção de dados fornecidos na tabela PartySupplementaryData.
- Você está prestes a fazer o mecanismo treinar um modelo para uma nova região.
Como ajustar um motor
Para acionar o ajuste, consulte Criar e gerenciar configurações de mecanismo.
Especificamente, você precisa selecionar o seguinte:
Os dados a serem usados para o ajuste do mecanismo:
Especifique um conjunto de dados e um horário de término dentro do período do conjunto de dados.
O ajuste do mecanismo usa rótulos e recursos com base nos meses completos do calendário até o mês do horário de término selecionado, mas sem incluir essa data. Para mais informações, consulte Intervalos de tempo do conjunto de dados.
A versão do mecanismo que será usada para o ajuste:
Selecione uma versão de mecanismo que corresponda à linha de negócios (varejo ou comercial) em que você vai usar os modelos associados.
O volume de investigações que você espera com base nos modelos:
Especifique
partyInvestigationsPerPeriodHint. Isso é usado pelo ajuste, treinamento e backtesting do mecanismo para garantir que a AML AI ofereça desempenho no volume de investigação.
Saída de ajuste do mecanismo
O ajuste do mecanismo gera um recurso EngineConfig, que pode ser usado para criar um recurso Model.
Os metadados de configuração do mecanismo contêm as métricas a seguir. Especificamente, essas métricas mostram o seguinte:
Ganho de desempenho esperado do ajuste do mecanismo em comparação com o uso de hiperparâmetros padrão
Todas as grandes alterações em que as famílias de atributos são compatíveis com o conjunto de dados (entre ajuste de mecanismo, treinamento, avaliação e previsão)
| Nome da métrica | Descrição da métrica | Exemplo de valor de métrica |
|---|---|---|
| ExpectRecallPreTuning | Relembrar a métrica medida em um conjunto de testes ao usar
hiperparâmetros padrão da versão do mecanismo.
Essa medição de recall pressupõe o número de investigações por mês
especificado em |
{
"recallValues": [
{
"partyInvestigationsPerPeriod": 5000,
"recallValue": 0.72,
"scoreThreshold": 0.42,
},
],
}
|
| FutureRecallPostTuning | Relembrar a métrica medida em um conjunto de teste ao usar
hiperparâmetros ajustados.
Essa medição de recall pressupõe o número de investigações por mês
especificado em |
{
"recallValues": [
{
"partyInvestigationsPerPeriod": 5000,
"recallValue": 0.80,
"scoreThreshold": 0.43,
},
],
}
|
| Falta de |
Parcela de valores ausentes em todos os recursos em cada família de recursos. O ideal é que todas as famílias de recursos de IA do AML tenham uma ausência próxima de 0. Pode haver exceções quando os dados subjacentes a essas famílias de recursos não estiverem disponíveis para integração. Uma alteração significativa nesse valor para qualquer família de atributos entre ajuste, treinamento, avaliação e previsão pode indicar inconsistência nos conjuntos de dados usados. |
{
"featureFamilies": [
{
"featureFamily": "unusual_wire_credit_activity",
"missingnessValue": 0.00,
},
...
...
{
"featureFamily": "party_supplementary_data_id_3",
"missingnessValue": 0.45,
},
],
}
|