Un flujo de trabajo de Machine Learning

Un flujo de trabajo de Machine Learning típico implica los siguientes pasos que se deben realizar en uno o más flujos de trabajo:

1. Acceda a los datos usando otros módulos de Spectrum, como Data Integration.
2. Prepare los datos usando etapas de otros módulos de Spectrum, como las de Data Integration, Data Quality y Core.
3. Ajuste un modelo de Machine Learning, ejecute el flujo de datos y, luego, revise el contenido de la pestaña Salida del modelo en la etapa del modelo. Después, puede retocar el modelo, si es necesario, y volver a ejecutar el flujo de datos. A continuación, debe revisar el conjunto completo de datos de salida de evaluación del modelo en la herramienta Gestión de modelos de Machine Learning. Puede revisar un modelo a la vez o comparar dos modelos.
4. (Opcional) Si usará el modelo para evaluar datos, exponga el modelo en la herramienta Gestión de modelos de Machine Learning, que pone el modelo a disposición de la etapa Java Model Scoring.
   1. Cree un flujo de datos de Spectrum™ Technology Platform siguiendo los pasos 1 y 2 anteriores y luego, reemplace el paso 3 por la etapa Java Model Scoring. Configure este flujo de datos para ejecutarlo en modo de lote a fin de completar un archivo con evaluaciones de modelo aplicadas a datos actualizados (los campos utilizados como X o datos de entrada se actualizan en el paso 1-2 como una parte natural de hacer negocios).
   2. De manera alternativa, use un servicio web en Spectrum™ Technology Platform para evaluar datos según demanda. Por ejemplo, acceda al sitio web, obtenga la ID de cliente y los datos de entrada del modelo, evalúelos y devuelva la evaluación a un proceso que personaliza el contenido web para su cliente.
5. (Opcional) También puede implementar evaluaciones de modelo en una base de datos de gráficos Data Hub como una propiedad de entidad, en mapas o en aplicaciones CES.