L'action dlExportModel est la solution incontournable pour opérationnaliser vos réseaux de neurones. Elle permet d'exporter un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). d'apprentissage profondL'apprentissage profond (Deep Learning) est une branche de l'IA utilisant des réseaux de neurones multicouches pour modéliser des données complexes et automatiser l'extraction de caractéristiques., préalablement entraîné, sous la forme d'un fichier ASTOREFichier binaire compact contenant la logique d'un modèle entraîné (analytique de score). Il permet de déployer et d'exécuter des modèles complexes de manière portable et ultra-rapide dans SAS Viya. (Analytic StoreFormat binaire (ASTORE) sauvegardant l'état d'un modèle de Machine Learning entraîné dans SAS Viya pour permettre son déploiement et son exécution rapide sur de nouvelles données.) via le paramètre casout. Ce format binaire optimisé encapsule l'architecture du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). et ses poids, rendant le déploiement natif, scalable et performant au sein des microservicesLes microservices sont une approche d'architecture logicielle où une application est décomposée en une collection de petits services indépendants, spécialisés et communicant entre eux via des APIs légères. Contrairement aux architectures "monolithiques" anciennes, chaque microservice remplit une fonction unique (ex: gestion du catalogue, authentification, moteur de calcul).
Dans SAS Viya 4, cette architecture est native. Elle permet à la plateforme de s'exécuter sur Kubernetes, offrant une flexibilité totale : chaque composant de SAS peut être mis à jour, redémarré ou mis à l'échelle (scaling) individuellement sans affecter le reste du système. SAS Viya ou dans des bases de données via les technologies In-Database. Voici une implémentation typique pour générer ce format analytique :
Comment sauvegarder un modèle Deep Learning SAS Viya pour un déploiement en production ultra-rapide ?
Optimisation ASTORE pour Inférence Temps-Réel
Exemples pour l'action dlExportModel
Export standard d'un modèle
Cet exemple prend un modèle préalablement construit et entraîné, et l'exporte en ASTORE pour le déploiement ou l'inférence.
Export d'un modèle d'analyse d'images avec data augmentation
On exporte un réseau de neurones convolutif (CNN) en lui incluant des directives de mutation et de recadrage aléatoire. C'est parfait pour garantir des scores plus résilients aux variations %%importOptions%%.
Conseil de l'Expert
Pour garantir une performance maximale, assurez-vous de figer les poids de votre modèle avec l'option removeIntermediateStats=True lors de l'export. Cela réduit la taille du fichier binaire et évite la surcharge de mémoire lors du chargement des microservices de scoring.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment embarquer efficacement les immenses espaces vectoriels textuels lors de l'export d'un modèle NLP complexe ?
Quels sont les prérequis absolus en termes de tables mémoire (CAS Tables) pour réussir l'export de votre architecture neuronale ?
Faut-il gérer manuellement l'augmentation de données lors de l'export des modèles de Computer Vision ?