[AI CENTER] Modèle ML personnalisé (Custom ML Package)

[oumayma_lajili2 (Oumayma Lajili)]

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

Cas d’utilisation 1:

Objectif: Déployer un modèle de machine learning personnalisé et l’utiliser dans un workflow.
Description: Prédire si la personne a le diabète ou non.

1.Introduction

AI Center est une application qui permet de déployer, d’utiliser, de gérer et d’améliorer des modèles d’apprentissage automatique.

2.Types de modèles

• Modèles personnalisés(Custom Model) : modèles construits par votre équipe de data science à l’aide de Python ou d’une plate-forme AutoML. On va utiliser

• Modèles prêts à l’emploi : modèles prédéfinis pris en charge par UiPath.
  Prêtes à l’emploi
  Cela serait notre sujet de l’épisode prochaine.

3. Machine Learning

• Définition Machine Learning:
  Un sous-domaine de l’intelligence artificielle qui permet aux systèmes d’apprendre à partir des données.
  Les systèmes apprennent de l’expérience et des informations précédentes pour déduire et prédire les informations futures. Pour ce faire, ils utilisent des algorithmes qui apprennent à effectuer une tâche spécifique sans être explicitement programmés."
  Il existe plusieurs d’apprentissage automatique

• Apprentissage supervisé:
  -Classification: Quelle classe ? (bleu ou rouge , chat ou chien , 0 ou 1 …)
  C’est le type de notre cas d’utilisation.
  -Régression: Prédire une variable quantitative combien ?

• Apprentissage non supervisé:
  On ne cherche pas à prédire quoi que soit , plutôt découvrir des structures et des modèles dans les données.

4. Structure de code demandée:

Le dossier de code doit respecter un ensemble d’exigences. Ces exigences sont séparées en composants nécessaires au service d’un modèle et en composants nécessaires à la formation d’un modèle.
Respectons la structure suivante dans notre exemple

• Main.py:

:white_check_mark Remarque: L’output doit être en format Json sinon cela génère une erreur dans Studio.

• Train.py:

5. Importer le fichier dans IA CENTER

Remarque: Il faut avoir le statut “déployé”.

6. Création de la compétence ML dans IA CENTER

Remarque: Il faut avoir le statut “disponible”.

7. 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:

-0.26… est le pourcentage d’appartenance à la classe 0 (pas de diabète).
-0.73… est le pourcentage d’appartenance à la classe 1 (diabétique).

J’espère que cette démonstration pourra vous aider.

A la prochaine épisode.