SMARTS™ AI & ModelOps
触发模型训练任务，将预测模型和经验模型深度耦合
※ 灵活使用外部预测模型
※ 训练并生成新的数据模型，完善现有模型
※ 在同一个平台管理数据模型和经验模型的全生命周期
1.支持导入PMML模型：支持无缝集成和部署符合 PMML 标准的模型，可以导入由 Python、SPSS、SAS 或 R创建的PMML预测模型。
2.兼容EXCEL预测模型：可以容纳在EXCEL中开发、维护的模型，并将其转换为可执行的业务逻辑
3.调用外部模型服务：管理由外部服务托管或提供的模型，支持在决策的过程中通过JSON-RPC或OpenAPI的方式调用外部模型服务。
灵活使用外部预测模型
有效地将AI、机器学习以及深度学习模型集成到决策逻辑中
快速创建新模型以补充现有的分析框架
快速构建新模型，并通过直观的点击操作融入现有逻辑
1.从导入数据开始：可以导入一个历史数据样本（csv,json,xml等格式）用于训练，确保训练样本包含足够的信息，以便训练出足够有效的模型。
2.数据选择：进入BluePen模式选择需要用于建模的属性，并探索属性间的相关性和有效性。
3.生成模型：应用内置树类算法生成可解释、可读的业务规则模型，让非技术的业务用户能更好地理解模型的决策过程。
4.模型测试：在业务的背景中对新模式的有效性进行测试和验证
5.模型集成：将验证过的模型与现有决策逻辑进行集成
在同一个平台管理模型的整个生命周期
在SMARTS中直接对模型进行监控和优化
1.充分利用决策分析功能：定义模型性能监控指标，实时跟踪模型的输出，保证其符合预期。
2.设置警报：设置警报，以便在模型性能发生漂移时及时通知。
3.定义冠军/挑战者实验：将当前最佳模型与新模型进行比较，以确定是否要进行替换。
4.持续迭代：在业务的视角下对模型进行监控和迭代，保证始终有效，从而提高业务决策的质量和效率。
当今，预测模型已成为决策过程中不可或缺的一部分。传统上，数据科学家会使用建模工具创建预测分析模型，随后由IT在生产环境中进行部署。然而，SMARTS通过其AI & ModelOps模型管理模块简化了这一流程。业务专家现在可以直接导入由数据科学家训练的AI、机器学习和深度学习模型，前提是这些模型已被封装成PMML格式（一种标准化的预测模型标记语言）。这些模型可以在业务决策逻辑的上下文中直接使用，并进行业务验证，从而解决了在生产环境中对模型进行有效跟踪、评估和版本控制的难题。
SMARTS™ AI & ModelOps 技术文档
|
|