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.
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.
…
Monte o perfil
Converse com o agente ou preencha o formulário. O que você não souber, o pipeline imputa.
R$ 9,70 por DM Por que reais, se a base é alemã?
O credit-g é de um banco alemão dos anos 70, com valores em marcos (DM). Antes do treino, a mlops-platform converte a base para reais a R$ 9,70 por DM: o valor pedido é multiplicado pela taxa e as faixas de saldo e poupança viram faixas em R$ (200 DM viram R$ 1.940). O modelo foi re-treinado assim e só conhece reais. A taxa é por poder de compra: 1 € = 1,95583 DM (paridade fixa), os preços na Alemanha subiram cerca de 3,25× desde 1975 e o euro está perto de R$ 5,85. Mudar a escala não muda o que o modelo aprende: o AUC é o mesmo da versão em marcos.
O pipeline, etapa por etapa
As etapas levam cerca de 100 ms no servidor; a página mostra uma por vez, com o tempo medido lá.
- 1Dados crus
- 2Data transform
- 3Normalização
- 4Fit ao vivo
- 5Inferência
- 6O que pesou
Resultado
Probabilidade de inadimplência e a decisão pelo corte do champion.
O que mais pesou
Gere um arquivo de teste ou use o seu
Dois CSVs de exemplo, gerados no seu navegador: um limpo e um com erros plantados.
Colunas e valores aceitos
Uma coluna por variável (o cabeçalho é obrigatório; "id" é opcional e volta no resultado). Vírgula ou ponto e vírgula. Até 250 linhas e 50 KB.
| purpose | new car · used car · furniture/equipment · radio/tv · domestic appliance · repairs · education · retraining · business · other |
| credit_amount | número >0–10000000 |
| duration | inteiro 1–120 |
| installment_commitment | inteiro 1–4 |
| checking_status | <0 · 0<=X<1940 · >=1940 · no checking |
| savings_status | <970 · 970<=X<4850 · 4850<=X<9700 · >=9700 · no known savings |
| credit_history | no credits/all paid · all paid · existing paid · delayed previously · critical/other existing credit |
| existing_credits | inteiro 0–10 |
| other_payment_plans | none · bank · stores |
| other_parties | none · guarantor · co applicant |
| employment | unemployed · <1 · 1<=X<4 · 4<=X<7 · >=7 |
| job | unemp/unskilled non res · unskilled resident · skilled · high qualif/self emp/mgmt |
| age | inteiro 18–100 |
| housing | own · rent · for free |
| residence_since | inteiro 1–4 |
| property_magnitude | real estate · life insurance · car · no known property |
| num_dependents | inteiro 0–10 |
| own_telephone | yes · none |
Envie e valide
O arquivo é tratado como dado não confiável: lido com o módulo csv do Python, sem eval, com limite de tamanho e de linhas. Validar não gasta cota.
Faça o score
Só as linhas válidas vão para o modelo. O lote inteiro conta como 1 uso.
O que acontece em cada etapa
- 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
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
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
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
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
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.