Contexto empresarial
Una entidad bancaria internacional ha finalizado el entrenamiento de un modelo de árbol de decisión para detectar transacciones fraudulentas de tarjetas de crédito. El equipo de MLOps necesita desplegar este modelo desde el entorno de análisis CAS hacia el data warehouse operativo Teradata, donde se ejecutará el scoring en batch nocturno.
Preparación de datos
Simulación de datos de transacciones y entrenamiento de un modelo de detección de fraude.
¡Copiado!
| 1 | |
| 2 | DATA casuser.transacciones; |
| 3 | DO i=1 to 1000; |
| 4 | monto=rand('uniform')*5000; |
| 5 | pais=byte(65+floor(rand('uniform')*5)); |
| 6 | IF rand('uniform')>0.95 THEN fraude=1; |
| 7 | ELSE fraude=0; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | |
| 11 | RUN; |
| 12 | |
| 13 | PROC CAS; |
| 14 | decisionTree.dtreeTrain RESULT=r / TABLE={name='transacciones', caslib='casuser'}, target='fraude', inputs={{name='monto'}, {name='pais'}}, nominals={'fraude', 'pais'}, saveState={name='modelo_fraude_v1', caslib='casuser', replace=true}; |
| 15 | |
| 16 | RUN; |
| 17 | |
| 18 | QUIT; |
| 19 |
Étapes de réalisation
1
Verificación de la existencia de la caslib de destino (Teradata) y del modelo origen.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableExists RESULT=r / name='modelo_fraude_v1' caslib='casuser'; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Ejecución de la copia del modelo hacia Teradata usando los parámetros obligatorios.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | modelPublishing.copyModelExternal / modelTable={name='modelo_fraude_v1', caslib='casuser'}, modelName='Fraud_Detection_Prod', externalCaslib='teradata_prod', externalOptions={extType='TERADATA', modelTable={name='model_repository', schema='risk_dept'}}, modelOptions={replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Resultado esperado
La acción debe completarse sin errores. El modelo 'Fraud_Detection_Prod' debe aparecer disponible en la tabla 'model_repository' dentro del esquema 'risk_dept' en Teradata.