[AI CENTER] Eligibilité de crédit bancaire [TPOTAutoMLClassification]

[oumayma_lajili2 (Oumayma Lajili)]

Chers RPA/Data enthousiasts , Ce topic présente une deuxième épisode d’une série de tutoriels et cas d’utilisation de produit IA Center.

Cas d’utilisation 2:

Objectif: Déployer un modèle prêt à l’emploi [TPOTAutoMLClassification]
Description: Déterminer si un demandeur est éligible ou non pour recevoir un prêt de la part de la banque en fonction de différents critères tels que le revenu .

• Echantillon de dataset

• Modèles prêts à l’emploi

Dans cette épisode, on va faire une démonstration d’un modèle prêt à l’emploi de package “Tabular Data”; c’est un modèle prédéfini pris en charge par UiPath “Modèle Prêt à l’emploi”

• Tabular Data
  Les données tabulaires sont des données organisées sous forme de tableaux, avec des lignes et des colonnes. Chaque colonne représente une caractéristique ou une variable, tandis que chaque ligne représente une instance ou un enregistrement. Les données tabulaires sont souvent utilisées pour stocker et gérer les données structurées dans les bases de données relationnelles, les feuilles de calcul et les systèmes de gestion de données.

• Etapes à suivre:

1. Importation de dataset:

*Créer d’un dossier pour importer les données d’entrainement

*Créer un dossier pour importer les données d’évaluation

2. Création de package ML:

3.Création de pipeline:

->Pipeline d’entrainement

Une exécution de formation en choisissant la dataset d’entrainement

->Pipeline d’évaluation

Une exécution d’évaluation en choisissant la dataset d’évaluation

4. Création de la compétence ML dans IA CENTER

Remarque: Il faut avoir le statut “disponible”.

5. Utilisation du modèle dans Studio:

• Installer le packet “UiPath.MLServices.Activities”

• Utiliser l’activité “CompétenceML”
  
  

On trouve notre modèle disponible dans la liste des modèles

• Tester la compétence:

*Structure de l’input:

{“ID”:[1],“Gender”:[1],“Married”:[1],“Dependents”:[1],“Education”:[1],“Self_Employed”:[0],“ApplicantIncome”:[4583],“CoapplicantIncome”:[1508.0],“LoanAmount”:[128.0],“Loan_Amount_Term”:[360.0],“Credit_History”:[1.0],“Property_Area”:[0]}

*Output
[
{
“predictions”: 1,
“confidences”: 0.6712224386
}
]

1: le client est éligible pour avoir le prêt de la part de la banque avec une confidence de ~68%

J’espère que cette démonstration pourra vous aider.

A la prochaine épisode.