← DemosAo vivo · com login

Score de crédito

Um agente monta o perfil e você vê o pipeline do modelo campeão do MLflow rodar etapa por etapa, ou valida e pontua um CSV em lote.

mlops-platform

Um modelo de crédito de verdade, etapa por etapa

É o pipeline da mlops-platform: o @champion do MLflow, treinado no German Credit e servido pelo scoring interno. No modo ao vivo, você monta um perfil e vê cada etapa rodar no servidor. No modo lote, valida e pontua um CSV inteiro.

1.000casos no credit-g
18variáveis de entrada
6etapas ao vivo
250linhas por CSV

…

O que acontece em cada etapa

  1. 1

    Dados crus

    O agente (ou o formulário) entrega um JSON com 18 campos, sem correção no navegador: número pode chegar como texto e campo pode vir vazio. Sexo e estrangeiro nem são pedidos, porque ficam fora do modelo.

  2. 2

    Data transform

    O serviço converte os tipos, preenche os faltantes com a mediana ou a moda do credit-g e passa as 11 categóricas pelo OneHotEncoder do próprio champion. Categoria rara no treino cai no balde "infrequent".

  3. 3

    Normalização

    As 7 numéricas passam pelo StandardScaler do champion: z = (x − média) / desvio, com a média e o desvio do treino. Assim prazo em meses e valor em reais ficam na mesma escala.

  4. 4

    Fit ao vivo

    Para mostrar que o treino é real, uma regressão logística é treinada na hora em 750 linhas e medida em 250 que ela não viu (AUC). Ela não decide nada: é a linha de base.

  5. 5

    Inferência

    O champion, o modelo que passou pelos gates do MLflow, calcula o log-odds; a sigmoide vira probabilidade de inadimplência e o corte decide entre aprovar e mandar para análise.

  6. 6

    O que pesou

    Cada variável é trocada pelo valor típico do credit-g e o modelo roda de novo. A diferença, em pontos percentuais, mostra o que empurrou o risco para cima ou para baixo.

O German Credit (OpenML credit-g, UCI) é de um banco alemão dos anos 70, com valores em marcos, convertidos para reais (R$ 9,70 por DM) antes do treino. Sexo e estrangeiro ficam fora do modelo, e a diferença de desempenho entre faixas de idade é um dos gates para promover. Quem responde é o @champion do MLflow.