Skip to content

Midas Deploy

Descripción General

MIDAS Deploy es el componente MIDAS que genera interfaces de usuario personalizadas para modelos de ML. Utilizando tecnologías de IA, específicamente LLMs, MIDAS Deploy analiza modelos guardados en formato joblib y crea aplicaciones Streamlit que permiten a los usuarios interactuar con estos modelos sin necesidad de programación adicional.

El sistema utiliza AG2 para orquestar una conversación entre agentes de IA especializados que analizan el modelo, diseñan una interfaz y generan código ejecutable.

Arquitectura Técnica

Backend:

  • Lenguaje y Frameworks:
  • Python como lenguaje base
  • AG2 para la orquestación de agentes de IA
  • Scikit-learn para procesamiento de modelos ML

  • Joblib para carga y manipulación de modelos

  • Componentes clave:

  • Model_Analyzer: Agente especializado que analiza modelos ML y extrae información relevante (características, parámetros, estructura)
  • UI_Designer: Agente encargado de diseñar la interfaz de usuario basada en el análisis del modelo
  • Code_Generator: Agente que implementa código funcional de Streamlit basado en el diseño de UI
  • User_Proxy: Orquestador del flujo de trabajo entre agentes especializados
  • process_joblib: Función utilitaria para extraer información de archivos joblib

  • load_json: Función para cargar archivos JSON que contienen información sobre las features y la columna objetivo del modelo

  • Modelo LLM utilizado:

  • Meta-Llama/Llama-3.3-70B-Instruct-Turbo a través de la API de DeepInfra

  • Flujo de procesamiento:

  • Carga del modelo desde archivo joblib
  • Extracción de metadatos (características, número de features, tipo de modelo)
  • Carga de información desde un archivo JSON para definir features y la columna objetivo
  • Análisis del modelo por agentes de IA
  • Diseño de interfaz adaptada al modelo específico
  • Generación de código Streamlit ejecutable
  • Entrega del código para implementación

Frontend:

  • Tecnología: Aplicación web Streamlit
  • Componentes de UI:
  • Cargador de archivos para modelos joblib
  • Cargador de archivos JSON con información sobre features
  • Campo de texto para descripción del modelo
  • Botón de generación de interfaz
  • Visualizador de código generado
  • Funcionalidad de descarga de código

Funcionalidad

  • Análisis automatizado de modelos de aprendizaje automático compatibles con scikit-learn
  • Diseño inteligente de interfaces adaptadas a las especificaciones del modelo
  • Carga de archivos JSON para definir features y la columna objetivo
  • Generación de código Streamlit listo para usar
  • Soporte para diversos tipos de modelos ML (clasificadores, regresores, pipelines)
  • Creación de interfaces que tienen en cuenta los requisitos de entrada del modelo
  • Capacidades de exportación y descarga de código
  • Interacción con múltiples agentes de IA para optimizar la experiencia del usuario

Guía de Uso

  1. Iniciar la aplicación:
  2. Ejecutar streamlit run app.py

  3. Se abrirá la interfaz web de MIDAS Deploy en el navegador

  4. Cargar un modelo:

  5. Utilizar el cargador de archivos para subir un modelo .joblib
  6. Cargar un archivo .json con información de features y la columna objetivo

  7. Proporcionar una breve descripción del propósito del modelo (ej. "Predicción de satisfacción del cliente basada en datos demográficos")

  8. Generar la interfaz:

  9. Hacer clic en el botón "🚀 Iniciar generación de interfaz"

  10. Esperar mientras el sistema analiza el modelo y genera la interfaz

  11. Implementar el resultado:

  12. Descargar el código generado mediante el botón "📥 Descargar código generado"
  13. Guardar el código como archivo .py
  14. Ejecutar streamlit run generated_interface.py
  15. La interfaz personalizada para el modelo estará disponible a través del navegador

Ejemplo práctico: Para un modelo que predice la probabilidad de una condición médica basada en edad, altura y peso: - Cargar el archivo model.joblib - Opcionalmente, cargar un archivo model_features.json con las features edad, altura y peso, y la columna objetivo diagnostico - Describir como "Modelo de predicción de condición médica basado en factores biométricos" - MIDAS Deploy generará una aplicación Streamlit con campos de entrada para edad, altura y peso - La aplicación permitirá a los usuarios ingresar estos datos y obtener predicciones en tiempo real

Implementación Técnica

MIDAS Deploy utiliza ConversableAgent de AG2 para crear agentes especializados:

  1. Model_Analyzer: Analiza el modelo joblib y extrae metadatos como:
  2. Tipo de modelo
  3. Número de características
  4. Nombres de características (si están disponibles)
  5. Parámetros del modelo

  6. Estructura del pipeline (si aplica)

  7. UI_Designer: Diseña una interfaz adaptada al modelo basándose en:

  8. El número de características requeridas
  9. La descripción del propósito del modelo

  10. El tipo de predicción (clasificación o regresión)

  11. Code_Generator: Crea código Streamlit funcional que:

  12. Carga correctamente el modelo joblib
  13. Implementa campos de entrada para todas las características necesarias
  14. Procesa adecuadamente los datos de entrada

  15. Muestra el resultado de la predicción del modelo

  16. User_Proxy: Orquesta la conversación entre los agentes, siguiendo un flujo secuencial de análisis, diseño y generación.

Referencias y Recursos

  • Documentación de AG2: https://docs.ag2.ai/docs/home/home
  • Documentación de Streamlit: https://docs.streamlit.io/
  • DeepInfra (para acceso a LLM): https://deepinfra.com/
  • Scikit-learn (para modelos ML): https://scikit-learn.org/

Limitaciones Actuales

  • Solo soporta modelos compatibles con scikit-learn guardados en formato joblib
  • Opciones de personalización limitadas para la interfaz generada
  • Puede generar interfaces que necesiten ajustes menores para modelos complejos

Capturas:

Midas Imagen