Amphi 3 - SESSION 2.3 - 13/02/2020 15:00 > 15:30
BNP Paribas
Mise en production de modèles Machine Learning avec PMML dans le secteur bancaire
Résumé
1.Introduction
Au sein de notre équipe, nous testons les différentes approches Machine Learning pour développer des modèles de risque de crédit ou de détection de fraude. Un vrai challenge pour nous consiste à pouvoir les mettre en production dans les différents environnements de production qui varient entre les filiales et pays. Pour résoudre ce problème, nous nous sommes tournés vers PMML (Predictive Model Markup Language), un format basé sur XML
qui permet exporter les modèles Machine Learning entrainés puis de les éutiliser dans différents environnements autres que celui d'entrainement.
2.Méthodologie
- Machine Learning: méthodes ensemblistes comme Random forest ou Gradient boosting.
- Transformation des modèles Machine Learning en PMML en utilisant le package
sklearn2pmml de Python.
- Utilisation d'un fichier PMML avec Python, Spark ou autre.
3.Originalité / perspective
PMML permet d'automatiser plusieurs étapes et optimiser le processus de mise en production des modèles de score. En perspective, nous envisageons d'intégrer la partie « Feature engineering » dans le pipeline complet de PMML et tester d'autres types de modèles Machine Learning.
Télécharger le résume PDFRevoir le live :
A propos - BNP Paribas
Leader européen du financement aux particuliers au travers de nos activités de crédit à la consommation et de crédit immobilier, nous croyons en une consommation toujours plus responsable. Présents dans plus de 30 pays dans le monde, nous voyons les actions de notre entreprise, les projets de nos clients et les initiatives de nos collaborateurs comme autant de belles histoires à écrire ensemble.
personal-finance.bnpparibas/fr/