CASPR

CASPR é uma estrutura baseada em transformador para aprendizagem profunda a partir de dados sequenciais em formato tabular, mais comum em aplicações de negócios.

Tarefas críticas para a lucratividade empresarial, como previsão de rotatividade de clientes, detecção de contas fraudulentas ou estimativa do valor da vida útil do cliente, são frequentemente realizadas por modelos treinados em recursos projetados a partir de dados de clientes em formato tabular. No entanto, a engenharia de recursos específicos da aplicação acrescenta custos de desenvolvimento, operacionalização e manutenção ao longo do tempo. Avanços recentes no aprendizado de representação apresentam uma oportunidade para simplificar e generalizar a engenharia de recursos entre aplicativos.

Com CASPR propomos uma nova abordagem para codificar dados sequenciais em formato tabular (por exemplo, transações de clientes, histórico de compras e outras interações) em uma representação genérica da associação de um sujeito (por exemplo, cliente) com o negócio. Avaliamos esses embeddings como recursos para treinar vários modelos abrangendo uma variedade de aplicações (ver: papel). CASPR, Previsão e Representação Baseada em Sequência de Atividades do Cliente, aplica arquitetura de transformador para codificar sequências de atividades para melhorar o desempenho do modelo e evitar engenharia de recursos sob medida em aplicativos. Nossos experimentos em escala validam o CASPR para aplicações empresariais de pequeno e grande porte.

Primeiros passos e recursos

• CASPR: Previsão e representação baseada em sequência de atividades do cliente (NeurIPS 2022, Nova Orleans: aprendizagem de representação tabular)

  • papel
  • poster

• Construir

  • pré-requisitos: python==3.9, setuptools
  • construindo a roda: python setup.py build bdist_wheel

• Instalação

   (now)
  pip install .distAI.Models.CASPR-<ver>.whl[<optional-env-modifier>]
  
  (future)
  pip install AI.Models.CASPR[<optional-env-modifier>]
  

  use qualquer um dos modificadores abaixo para personalizar a instalação do sistema/caso de uso de destino:

   horovod     - for distributed training and inference on Horovod
   databricks  - for distributed training and inference on Databricks
   aml         - for (distributed) training and inference on Azure ML
   hdi         - for execution on Azure HD Insights
   xai         - to enable explainability
   test        - for extended test execution
   dev         - for development purposes only
  

• Exemplos

  (TODO: podemos apontar um de nossos exemplos bem comentados com ou sem dados?)

Contribuições e comentários

Aceitamos contribuições! Por favor, consulte as diretrizes de contribuição.

Para solicitações de recursos ou relatórios de bugs, registre um problema no GitHub.

Código de Conduta

Este projeto adotou o Código de Conduta de Código Aberto da Microsoft. Para obter mais informações, consulte as Perguntas frequentes sobre o Código de Conduta ou entre em contato com [email protected] com perguntas ou comentários adicionais.

Licença

Este projeto está licenciado sob a licença MIT.

---