Configurare le impostazioni di visualizzazione basate sulle funzionalità

Vertex Explainable AI fornisce funzionalità di visualizzazione integrate per i dati delle immagini. Puoi configurare visualizzazioni per i modelli di immagine con addestramento personalizzato.

Quando richiedi una spiegazione su un modello di classificazione delle immagini, classe prevista insieme a un overlay immagine che mostra quali pixel (gradienti integrati) o regioni (gradienti integrati o XRAI) hanno contribuito a la previsione.

Le seguenti immagini mostrano le visualizzazioni su un'immagine husky. A sinistra utilizza il metodo dei gradienti integrati ed evidenzia le aree un'attribuzione positiva. La visualizzazione destra utilizza un metodo XRAI con un colore che indica le aree con minore influenza (blu) e maggiore (giallo) nella per fare una previsione positiva.

Il tipo di dati con cui lavori può influire sull'utilizzo o meno di una i gradienti integrati o l'approccio XRAI per visualizzare le spiegazioni.

• XRAI tende a funzionare meglio con le immagini naturali e fornisce un miglior riepilogo di informazioni di alto livello, ad esempio mostrando che l'attribuzione positiva è correlata alla forma del muso di un cane.
• I gradienti integrati (IG) tendono a fornire dettagli a livello di pixel e sono utili per scoprire attribuzioni più granulari.

Scopri di più sui metodi di attribuzione in Vertex Explainable AI Pagina Panoramica.

Inizia

Configura la visualizzazione quando crei una risorsa Model che supporta Vertex Explainable AI o quando sostituisci ExplanationSpec di Model.

Per configurare la visualizzazione per il modello, compila il campo visualization del messaggio InputMetadata corrispondente alla funzionalità che vuoi visualizzare. In questo messaggio di configurazione, puoi includere quali il tipo di overlay utilizzato, le attribuzioni evidenziate, colore e altro ancora. Tutte le impostazioni sono facoltative.

Opzioni di visualizzazione

Le impostazioni predefinite e consigliate dipendono dal metodo di attribuzione (gradienti integrati o XRAI). Il seguente elenco descrive la configurazione le opzioni disponibili e come utilizzarle. Per un elenco completo delle opzioni, consulta il riferimento all'API per il messaggio Visualization.

• type: il tipo di visualizzazione utilizzato: OUTLINES o PIXELS. Specifica solo questo campo se utilizzi gradienti integrati. non puoi specificarlo utilizzano gli XRAI.

  Per i gradienti integrati, il valore predefinito del campo è OUTLINES, che mostra le regioni di attribuzione. Per mostrare l'attribuzione per pixel, imposta il campo su PIXELS.

• polarity: l'andamento delle attribuzioni evidenziate. positive è impostato per impostazione predefinita e mette in evidenza le aree con le attribuzioni positive più elevate. Ciò significa evidenziare i pixel che hanno avuto maggiore influenza sulla previsione positiva del modello. L'impostazione della polarità su negative evidenzia le aree che inducono il modello a non predire la classe positiva. L'utilizzo di una polarità negativa può essere utile per eseguire il debug del modello identificando le regioni con falsi negativi. Puoi anche impostare polarità rispetto a both, che mostra attribuzioni positive e negative.

• clip_percent_upperbound: esclude le attribuzioni al di sopra del percentile specificato dalle aree evidenziate. Può essere utile usare insieme i parametri dei clip per filtrare il rumore e semplificare la visualizzazione delle aree con l'attribuzione dei contenuti.

• clip_percent_lowerbound: esclude le attribuzioni al di sotto di quanto specificato percentile dalle aree evidenziate.

• color_map: la combinazione di colori utilizzata per le aree evidenziate. Il valore predefinito è pink_green per i gradienti integrati, e mostra le attribuzioni positive in verde e quelle negative in rosa. Per le visualizzazioni XRAI, la mappa di colori è un gradiente. L'impostazione predefinita di XRAI è viridis, che evidenzia le informazioni più influenti le regioni in giallo e quelle meno influenti in blu.

  Per un elenco completo dei valori possibili, consulta il riferimento all'API per il messaggioVisualization.

• overlay_type: come appare l'immagine originale nella visualizzazione. La modifica dell'overlay può contribuire ad aumentare la nitidezza visiva se l'immagine originale complica la visualizzazione.

  Per un elenco completo dei valori possibili, consulta il riferimento all'API per il messaggioVisualization.

Configurazioni di esempio

Per iniziare, di seguito sono riportate configurazioni Visualization di esempio che puoi utilizzare come punto di partenza e immagini che mostrano una serie di impostazioni applicate.

Gradienti integrati

Per le sfumature integrate, potrebbe essere necessario regolare i valori del clip se aree di attribuzione sono troppo rumorose.

visualization: {
  "type": "OUTLINES",
  "polarity": "positive",
  "clip_percent_lowerbound": 70,
  "clip_percent_upperbound": 99.9,
  "color_map": "pink_green",
  "overlay_type": "grayscale"
}

Di seguito sono riportate due visualizzazioni che utilizzano sia outlines sia pixels di testo. Le colonne etichettate come "Solo altamente predittivo", "Moderatamente predittivo" e "Quasi tutti" sono esempi di clip a diversi livelli che possono aiutarti a focalizzare la visualizzazione.

XRAI

Per le visualizzazioni XRAI, ti consigliamo di iniziare senza valori di clip per XRAI perché l'overlay utilizza un gradiente per mostrare le aree di attribuzione alta e bassa.

visualization: {
  "type": "PIXELS",
  "polarity": "positive",
  "clip_percent_lowerbound": 0,
  "clip_percent_upperbound": 100,
  "color_map": "viridis",
  "overlay_type": "grayscale"
}

L'immagine seguente è una visualizzazione XRAI che utilizza la mappa di colori viridis predefinita e una serie di tipi di overlay. Le aree in giallo indicano le regioni più significative che hanno contribuito positivamente alla previsione.

Passaggi successivi

• Per maggiori dettagli sulle altre opzioni di configurazione di Vertex Explainable AI, leggi Configurazione spiegazioni per i modelli con addestramento personalizzato.