quickml: le aa pour les développeurs sql · 2019-11-15 · intro à quickml quick ml demo...

QuickML: Le AA pour les développeurs SQL

Benjamin De BoeJOURNÉE CLIENTS, 14 NOVEMBRE 2019

Outline


Quick intro à ML

Intro à QuickML

Quick ML Demo

Stratégie IA InterSystems

Emballage

Quick intro à ML

Introducing QuickML

8 | © InterSystems Corporation. All rights reserved. |

Introduction rapide à ML

Programmation Traditionnelle Apprentissage Automatique

ComputerData

ProgramOutput Computer

Data

OutputProgram


Le Processus Apprentissage Automatique

Le Sciences des Données nécessitent la compréhension des données, du problème métier et des techniques AA• Langues et outils spécialisés• Itératif par défaut, avec beaucoup d’essai et d’erreur

Les algorithmes AA n’entrent que dans l’étape d’entraînement• Nécessitent beaucoup de ressources de calcul

Préparation des données

Feature Engineering

Sélection de modèle

Entraînementdes modèles

Réglage des paramètres

Déploiementdes modèles

Acquisition des données

Les défis pour les Développeurs d’Applications

• Demande accrue d'IA et de modèles prédictifs

• Courbe d'apprentissage abrupte pour AA

• Opérationnalisation des modèles AA


Préparation des données

Feature Engineering

Sélection de modèle

Entraînementdes modèles

Réglage des paramètres

Déploiementdes modèles

Acquisition des données

Automatiser Le Processus d’Apprentissage Automatique

Pourrait-on tester tous les options parmi lesquelles le scientifique données choisirait?• Faisons suppositions éclairées afin de limiter les options• Ajoutons plus de ressources de calcul

Choisir parmi les modèles candidats en fonction des métriques prédéfinie• Optimisons pour précision ou vitesse (runtime)

AutoML

Les défis pour lesDéveloppeurs d’Applications




Intro à QuickML

Introducing QuickML


QuickML | Panorama

Environnement tout-SQL• Ni besoin d’apprendre les méthodes ou produits AA• Fonctions DDL et requêtes simples

Outil clé en main - AutoML• Feature Engineering et sélection des modèles inclus• Interface unique pour plusieurs « fournisseurs » AutoML

Opérationnalisation facile• Interface universelle pour invoquer les modèles


QuickML | Fournisseurs AutoML

Fournisseurs AutoML prennent soin de • Feature Engineering imputation nulls, one-hot-encoding, transformations dates, …• Sélection des modèles en fonction des champs cible et source• Entrainement des modèles algorithmes AA effectifs• Réglage des paramètres play – rinse - repeat

QuickML emballera plusieurs engins AutoML à choisir• Implémentation InterSystems• Paquets open source• Partenariats technologies• Extensible par infrastructure passerelle


QuickML | Concepts

ModelDéfinition du problème

• Champ cible

• Champs sources

Training RunActivité d’entrainement

• Fournisseur AutoML

• Données sources (SQL)

• Statut (en cours / fini)

• Journaux

Trained ModelModèle exécutable


• Infos modèle (type, précision, …)


QuickML | Concepts

ModelDéfinition du problème

• Champ cible

• Champs sources

Training RunActivité d’entrainement


• Données sources (SQL)

• Statut (en cours / fini)

• Journaux

Trained ModelModèle exécutable


• Infos modèle (type, précision, …)

**


Syntaxe | CREATE MODEL

Définir les modèles comme citoyens première classe en SQL IRIS avec DDL simple

CREATE MODEL PainAlert PREDICTING (IsAnomaly BOOLEAN)FROM EHR.WardPatient USING {"ml-provider": "H2O"}

CREATE capture l’énoncé du problème exprimé par les champs cible et source et ces types de données• Énumérer les champs sources en clause WITH ou sélection d’un tableau avec FROM• Model n’est que des métadonnées, non-exécutable• Registrer les defaults par clause USING Model Training

RunTrained Model


Syntaxe | TRAIN MODEL

Générez des modèles exécutables en fournissant des données d’entraînement

TRAIN MODEL PainAlert FROM EHR.WardPatientHistoryWHERE DateAdmitted < ‘07/01/2019’

TRAIN envoi données sélectionnées vers engin AutoML, délégant l’entraînement effectif• Procès AA se passe en arrière-plan, objets Training Run suivent le progrès• Objets Trained Models nouveaux et existantes sont gardé pour scénarios ModelOps

Configuration du procès AA avec clause USING(optionel) Model Training

RunTrained Model


Syntaxe | PREDICT()

Utilisez des fonctions SQL simple pour obtenir les prédictions, probabilités et précision

SELECT PREDICT(PainAlert), EpisodeID, PatientIDFROM EHR.WardPatients

Mappage automatique des champs sources aux champs sélecté dans le clause FROM• Affiner mappage des champs par clause WITH• Utilise le Trained Model plus récent / défaut registré pour PainAlert

Opérationnalisation plus simpleModel Training

RunTrained Model

Demo

Introducing QuickML

Stratégie IA InterSystems

Introducing QuickML


Stratégie | Accélérer l’IA

DataOps

Collectionnez, nettoyez et gérez les données à grande vitesse avec la

gouvernance

Entraînement

Intégrez avec des stacks AA & AutoML pour les

experts et non-experts

ModelOps

Déploiement des modèles, intégré dans

des applications mission critique


Stratégie | Intégrer IA

Plateforme

Gestion des Données Augmentée améliore

l’efficacité des opérations

Application

Plus d’interfaces et fonctionnalités

intelligentes pour apps InterSystems

Solution

Orchestrer des services cloud IA par IRIS Interopérabilité

Cas d’usage: Transactions Augmentées

Opérationnalisation

Les Scientifiques Données connaissent les outils pour créer des modèles prédictifs précis, mais ces logiciels exotiques ne correspondent pas nécessairement à une environnement de production. En même temps, portabilité n’est pas une excuse pour sacrifier la performance.

Predictive Modelling/ Machine Learning Tools

(Spark, R, Tensorflow, …)

Intégration PMML | Concept

RI SI

Model

PMML

PMML Class

Training Input

Training Output

Event


Intégration PMML | Usage

Engagez PMML pour le déploiement des modèles• Scientifiques Données puissent continuer à utiliser leurs outils préférés• APIs simples pour charger et invoquer les modèles PMML• Génération du code ObjectScript optimisée• Registrer directement de SparkML avec extension Spark

import com.intersystems.spark._val training = spark.read.iris("SELECT hasSepsis, f1, f2, f3 FROM Patient")val formula = new RFormula().setFormula("hasSepsis ~ f1 + f2 + f3")val lr = new LogisticRegression().setMaxIter(10).setRegParam(0.001)val pipeline = new Pipeline().setStages(Array(formula, lr))val model = pipeline.fit(training)

import com.intersystems.spark.ml._model.iscSave("Models.SepsisModel", training.schema)

Cas d’usage: Interopérabilité IA

Orchestration

Les expectations pour applications intelligentes incluent exigences qu’on pourrait répondre avec paquets source ouverte, tiers ou cloud. Intégrer une est facile, mais assembler des applications ou flux qui touchent une dizaine bénéficiait significativement d’une plateforme interopérabilité solide.

Wrapping up

Introducing QuickML

Défis pour Développeurs d’Applications




Introducing QuickML

Thank You.

quickml: le aa pour les développeurs sql · 2019-11-15 · intro à quickml quick ml demo...

Documents