Daftar Fitur SAS Model Manager

Pendaftaran model

Pendaftaran model

  • Menyediakan halaman web yang menyertakan informasi tentang fitur dan fungsionalitas baru yang dirilis setiap bulan, serta konten "cara" dan kemampuan untuk berinteraksi dengan komunitas pengguna.
  • Menyediakan penyimpanan berversi yang aman, andal, untuk semua jenis model, serta administrasi akses, termasuk kemampuan pencadangan dan pemulihan, perlindungan penimpaan, dan pencatatan acara.
  • Setelah terdaftar, model dapat dicari, diminta, diurutkan, dan difilter berdasarkan atribut yang digunakan untuk menyimpannya – jenis aset, algoritma, variabel input atau target, ID model, dll – serta kata kunci yang dapat diedit dan dimiliki pengguna.
  • Tambahkan properti umum sebagai kolom ke daftar model dan proyek, seperti nama model, peran, jenis algoritma, tanggal diubah, diubah oleh, lokasi repositori, deskripsi, versi, dan kata kunci (tanda).
  • Akses model dan artefak skor model menggunakan REST API terbuka.
  • Secara langsung mendukung model Python untuk penilaian dan publikasi. Konversi PMML dan ONNX (menggunakan dlPy) ke tipe model SAS standar. Kelola dan terjemahkan kode R seperti jenis kode lainnya.
  • Memberikan akuntansi dan kemampuan audit, termasuk pencatatan acara dari tindakan utama – misalnya, pembuatan model, pembuatan proyek, dan publikasi.
  • Ekspor model sebagai format .ZIP, termasuk semua konten file model untuk perpindahan lintas lingkungan.
  • Salin model dengan mudah dari satu proyek ke proyek lainnya, dengan menyederhanakan pergerakan model di dalam repositori.

Manajemen alur kerja analitik

Manajemen alur kerja analitik

  • Buat proses khusus untuk setiap model menggunakan Studio Alur Kerja SAS:
    • Manajer alur kerja sepenuhnya terintegrasi dengan SAS Model Manager sehingga Anda dapat mengelola alur kerja dan melacak tugas alur kerja dalam antarmuka pengguna yang sama.
    • Impor, perbarui, dan ekspor model generik di tingkat folder – dan gandakan atau pindahkan ke folder lain.
  • Memfasilitasi kolaborasi antar tim dengan pemberitahuan otomatis.
  • Melakukan tugas manajemen model umum, seperti mengimpor, menampilkan, dan melampirkan dokumentasi pendukung; menetapkan model juara proyek dan menandai model penantang; mempublikasikan model untuk tujuan penilaian; dan menampilkan laporan dashboard.
  • Tata kelola transparansi dan analitik memberikan visibilitas ke dalam proses analitik Anda dengan repositori model, template siklus hidup, dan kontrol versi terpusat. Memastikan ketertelusuran lengkap dan tata kelola analitik.

Penilaian model

Penilaian model

  • Tempatkan kombinasi Python, SAS atau model sumber terbuka lainnya dalam proyek yang sama agar pengguna dapat membandingkan dan menilai menggunakan statistik kesesuaian model yang berbeda.
  • Menyiapkan, memelihara, dan mengelola versi terpisah untuk model:
    • Model juara secara otomatis ditetapkan sebagai versi baru saat model ditetapkan sebagai juara, diperbarui, atau dipublikasikan dalam sebuah proyek.
    • Pilih model penantang untuk model juara proyek.
    • Pantau dan publikasikan model penantang dan juara.
  • Tentukan pekerjaan pengujian dan skor produksi untuk model SAS dan Python menggunakan masukan dan keluaran yang diperlukan.
  • Buat dan laksanakan tugas penilaian, dan tentukan tempat untuk menyimpan keluaran dan riwayat pekerjaan.
  • Bandingkan model berdampingan untuk mengevaluasi dan memilih model juara dengan cepat dari semua model yang bersaing (SAS dan sumber terbuka) untuk masalah bisnis tertentu.

Penyebaran model

Penyebaran model

  • Bergantung pada kasus penggunaan, Anda dapat memublikasikan model ke sistem batch/operasional – misalnya, server SAS, dalam basis data, dalam Hadoop/Spark, Server SAS Cloud Analytic Services (CAS), atau ke sistem sesuai permintaan menggunakan Skor Analitik Mikro (MAS).
  • Publikasikan model Python dan SAS untuk kontainer waktu berjalan dengan binari yang disematkan dan file kode skor. Promosikan kontainer waktu berjalan ke lingkungan Docker, AWS Docker, dan Amazon EKS (layanan kubernetes elastis) lokal.
  • Tujuan publikasi kontainer Azure baru untuk model sumber terbuka.
  • Publikasikan model SAS dan sumber terbuka ke Pembelajaran Mesin Azure sebagai kontainer Azure.
  • Publikasikan model SAS menggunakan kontainer waktu berjalan SAS.

Pemantauan model

Pemantauan model

  • Pantau kinerja model dengan semua jenis kode skor. Laporan kinerja yang dihasilkan untuk model juara dan penantang R, Python, dan SAS mencakup plot distribusi variabel, bagan peningkatan, bagan stabilitas, laporan ROC, K-S, dan Gini dengan SAS Visual Analytics menggunakan rangkaian hasil keluaran pelaporan kinerja.
  • Laporan bawaan menampilkan ukuran untuk masukan dan keluaran data dan statistik kesesuaian untuk model klasifikasi dan regresi untuk mengevaluasi apakah akan melatih ulang, menghentikan, atau membuat model baru. Laporan kinerja untuk model analitik juara dan penantang melibatkan Python, SAS, R, dll., dengan statistik akurasi yang berbeda tersedia.
  • Pantau kinerja model juara untuk semua proyek menggunakan definisi dan pelaksanaan laporan kinerja.
  • Jadwalkan pekerjaan berulang dan masa mendatang untuk pemantauan kinerja.
  • Tentukan beberapa sumber data dan periode pengumpulan waktu saat menentukan tugas pemantauan kinerja.
  • Buat laporan kinerja khusus, dan buat serta pantau KPI bisnis khusus dengan akses ke data kinerja model.
  • Buat pemodelan kinerja KPI khusus yang unik menggunakan panduan praktis, dan dapatkan pemberitahuan peringatan sederhana.