Возможности SAS ® Model Manager

Регистрация модели

  • Обеспечивает безопасное, надежное хранилище версий для всех типов моделей, а также администрирование доступа, включая возможности резервного копирования и восстановления, защиту от перезаписи и ведение журнала событий.
  • После регистрации модели можно искать, опрашивать, сортировать и фильтровать по атрибутам, используемым для их хранения - типу актива, алгоритму, входным или целевым переменным, идентификатору модели и т.д., а также заданным пользователем корректным и редактируемым ключевым словам.
  • Добавьте общие свойства в виде столбцов к списку для моделей и проектов, такие как имя модели, роль, тип алгоритма, дата изменения, изменения, местоположение хранилища, описание, версия и ключевые слова (теги).
  • Получать доступ к моделям и артефактам оценки модели с помощью открытых API REST.
  • Непосредственно поддерживает модели Python для скоринга и публикации. Преобразуйте PMML и ONNX (используя dlPy) в стандартные типы моделей SAS. Управление и версия кода R, как и другие типы кода.
  • Обеспечивает учет и возможность аудита, включая регистрацию событий основных действий, например, создание модели, создание проекта и публикация.
  • Экспорт моделей в формате .ZIP, включая все содержимое файла модели для перемещения по средам.
  • С легкостью копируйте модели из одного проекта в другой, упрощая перемещение моделей в хранилище.

Аналитическое управление рабочим процессом

  • Создайте пользовательские процессы для каждой модели с помощью SAS Workflow Studio:
    • Менеджер рабочих процессов полностью интегрирован с SAS Model Manager, поэтому вы можете управлять рабочими процессами и отслеживать задачи рабочих процессов в одном и том же пользовательском интерфейсе.
    • Импортируйте, обновляйте и экспортируйте общие модели на уровне папок, а также дублируйте их или перемещайте в другую папку.
  • Облегчает сотрудничество между группами с помощью автоматических уведомлений.
  • Выполнять общие задачи управления моделями, такие как импорт, просмотр и присоединение сопроводительной документации; установка модели чемпиона проекта и пометка моделей претендента; публикация моделей для целей оценки; и просмотр отчетов панели инструментов.

Оценка модели

  • Поместите комбинацию моделей Python, SAS или других моделей с открытым исходным кодом в один и тот же проект, чтобы пользователи могли сравнивать и оценивать их с использованием различных статистик соответствия модели.
  • Настройка, поддержка и управление отдельными версиями для моделей:
    • Модель чемпиона автоматически определяется как новая версия, когда модель устанавливается как чемпион, обновляется или публикуется в проекте.
    • Выберите модели претендента на модель чемпиона проекта.
    • Отслеживайте и публикуйте модели претендентов и чемпионов.
  • Определение заданий тестирования и оценки производительности для моделей SAS и Python с использованием требуемых входных и выходных данных.
  • Создайте и выполните задачи скоринга, а также укажите, где сохранить выходные данные и историю заданий.

Развертывание модели

  • В зависимости от варианта использования вы можете публиковать модели в пакетных / операционных системах, например, на сервере SAS, в базе данных, на сервере Hadoop / Spark, на сервере SAS Cloud Analytic Services (CAS) или в системах по требованию с помощью Micro Analytic Score. (MAS) сервис.
  • Публикация моделей Python и SAS для запуска временных контейнеров со встроенными двоичными файлами и файлами с кодовыми оценками. Продвижение тайм-контейнеров в локальных средах Docker, AWS Docker и Amazon EKS (эластичный кубернетный сервис).

Мониторинг модели

  • Мониторинг производительности моделей с любым типом кода оценки. Отчеты о производительности, подготовленные для моделей R, Python и SAS чемпиона и претендента, включают графики переменного распределения, диаграммы подъема, диаграммы устойчивости, отчеты ROC, KS и Gini с помощью SAS Visual Analytics с использованием выходных наборов отчетов о производительности.
  • Встроенные отчеты отображают меры для входных и выходных данных, а также согласуются со статистикой для классификационных и регрессионных моделей, чтобы оценить, следует ли переучивать, выводить из эксплуатации или создавать новые модели. Отчеты о производительности для чемпиона и претендента аналитические модели с участием Python, SAS, R и т.д., с различной точностью статистики доступны.
  • Мониторинг производительности моделей-чемпионов для всех проектов с использованием определения и выполнения отчета о производительности.
  • Расписание повторяющихся и будущих заданий для мониторинга производительности.
  • Укажите несколько источников данных и периодов сбора данных при определении задач мониторинга производительности.

Back to Top