dlScore

Comment extraire des métriques décisionnelles détaillées et auditer les probabilités sous-jacentes de votre modèle de classification d'entreprise ?

Audit et Transparence des Modèles CAS

Gouvernance Explicabilité Classification Probabilités Audit modèle

Pour garantir la gouvernance des donnéesEnsemble de règles, processus et outils (comme SAS Information Governance) assurant la qualité, la conformité, la sécurité et la disponibilité des actifs de données au sein de l'écosystème Viya. et l'explicabilité métier des algorithmes, il est souvent insuffisant de se contenter de la prédiction finale brute. L'action propose le paramètre stratégique topProbs pour forcer le moteur analytique à restituer les probabilités associées aux meilleures classes candidates retenues par le réseau. Par ailleurs, en exploitant le paramètre layerOut, l'analyste peut capturer et exporter l'état exact des activations mathématiques d'une ou de plusieurs couches intermédiaires vers une table de sortie dédiée. Cette fonctionnalité est absolument vitale pour la traçabilité algorithmique, l'extraction de signaux latents ou l'alimentation de modèles d'apprentissage en aval.

Schéma : Comment extraire des métriques décisionnelles détaillées et auditer les probabilités sous-jacentes de votre modèle de classification d'entreprise ?

Exemples pour l'action dlScore

Scoring simple d'un modèle de Deep Learning

Cet exemple illustre l'usage minimal de dlScore en fournissant les données d'entrée, le modèle, ses poids, et la table de sortie.

Scoring optimisé sur GPU avec extraction de variables et Top-K

Ce scénario avancé montre comment effectuer le scoring sur un GPU, copier la colonne d'identifiant depuis la table d'entrée, et ne garder que le top 3 des probabilités de classification.

Extraction des caractéristiques profondes (Feature Extraction)

Utile pour le Transfer Learning : cet exemple score les données mais sauvegarde également les activations internes d'une couche cachée spécifique (ex: 'FC1') dans la table layerOut.

Conseil de l'Expert
Pour une gouvernance optimale, ne vous contentez pas de stocker les probabilités finales. En production sur Viya 4, utilisez systématiquement l'action modelPublishing.publishModel pour enregistrer vos métadonnées d'audit dans un dépôt centralisé (comme SAS Model Manager), garantissant ainsi la traçabilité complète entre les données d'entrée et les activations neuronales capturées.

Cette réponse vous a-t-elle aidé ?

Utilisateur FAQ SAS Viya
Vos votes aident à améliorer notre base de connaissances.

Action CAS associée

deepLearn

dlScore
À lire aussi...
Comment l'action dlScore de SAS Viya révolutionne-t-elle le déploiement de vos modèles d'intelligence artificielle en production ? Comment l'action dlScore de SAS Viya révolutionne-t-elle le déploiement de vos modèles d'intelligence artificielle en production ? Pourquoi l'accélération matérielle est-elle un atout majeur et comment paramétrer les processeurs graphiques lors du scoring profond ? Pourquoi l'accélération matérielle est-elle un atout majeur et comment paramétrer les processeurs graphiques lors du scoring profond ? Quels sont les mécanismes techniques intégrés pour propulser l'inférence sur des flux massifs de données textuelles non structurées ? Quels sont les mécanismes techniques intégrés pour propulser l'inférence sur des flux massifs de données textuelles non structurées ? De quelle manière l'action gère-t-elle l'ingestion et le recadrage à la volée des données visuelles lors de l'inférence des modèles de vision par ordinateur ? De quelle manière l'action gère-t-elle l'ingestion et le recadrage à la volée des données visuelles lors de l'inférence des modèles de vision par ordinateur ?