Vertex Explainable AI offre funzionalità di visualizzazione integrate per i dati delle immagini. Puoi configurare le visualizzazioni per modelli di immagine con addestramento personalizzato.
Quando richiedi una spiegazione su un modello di classificazione delle immagini, ottieni la classe prevista insieme a un overlay immagine che mostra quali pixel (gradienti integrati) o regioni (gradienti integrati o XRAI) hanno contribuito alla previsione.
Le seguenti immagini mostrano le visualizzazioni su un'immagine husky. La visualizzazione a sinistra utilizza il metodo dei gradienti integrati ed evidenzia le aree di attribuzione positiva. La visualizzazione giusta utilizza un metodo XRAI con un gradiente di colore che indica aree di influenza minore (blu) e maggiore (gialla) nel creare una previsione positiva.
Il tipo di dati con cui stai lavorando può influire sull'utilizzo di gradienti integrati o di un approccio XRAI per visualizzare le spiegazioni.
- L'XRAI tende a essere migliore con le immagini naturali e fornisce un riepilogo migliore di alto livello di informazioni, come dimostrando 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 ed sono utili per scoprire attribuzioni più granulari.
Scopri di più sui metodi di attribuzione nella pagina Panoramica di Vertex Explainable AI.
Inizia
Configura la visualizzazione quando crei una risorsa Model
che supporta Vertex Explainable AI o quando esegui l'override dell'ExplanationSpec
di Model
.
Per configurare la visualizzazione del modello, compila il campo visualization
del
messaggio InputMetadata
corrispondente alla caratteristica
da visualizzare. In questo messaggio di configurazione, puoi includere opzioni quali il tipo di overlay utilizzato, le attribuzioni evidenziate, il 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 le opzioni
di configurazione e come puoi utilizzarle. Per un elenco completo delle opzioni, consulta il riferimento API per il messaggio Visualization
.
type
: il tipo di visualizzazione utilizzato:OUTLINES
oPIXELS
. Specifica questo campo solo se utilizzi gradienti integrati; non puoi specificarlo se utilizzi XRAI.Per i gradienti integrati, il campo predefinito è
OUTLINES
, che mostra le aree geografiche di attribuzione. Per mostrare l'attribuzione per pixel, imposta il campo suPIXELS
.polarity
: la direzione delle attribuzioni evidenziate. L'impostazione predefinitapositive
evidenzia le aree con le attribuzioni positive più elevate. Ciò significa mettere in evidenza i pixel più influenti per la previsione positiva del modello. L'impostazione della polarità sunegative
evidenzia le aree che portano il modello a non prevedere la classe positiva. Usare una polarità negativa può essere utile per eseguire il debug del modello identificando regioni con falsi negativi. Puoi anche impostare la polarità suboth
, per mostrare le attribuzioni positive e negative.clip_percent_upperbound
: esclude le attribuzioni superiori al percentile specificato dalle aree evidenziate. L'utilizzo combinato dei parametri dei clip può essere utile per filtrare il rumore e semplificare la visualizzazione delle aree di attribuzione forte.clip_percent_lowerbound
: esclude le attribuzioni al di sotto del percentile specificato dalle aree evidenziate.color_map
: la combinazione di colori utilizzata per le aree evidenziate. Il valore predefinito èpink_green
per i gradienti integrati e mostra le attribuzioni positive in verde e quelle negative in rosa. Per le visualizzazioni XRAI, la mappa colori è un gradiente. Il valore predefinito di XRAI èviridis
, che evidenzia le regioni più influenti in giallo e le meno influenti in blu.Per un elenco completo dei possibili valori, consulta il riferimento API per il messaggio
Visualization
.overlay_type
: come viene mostrata l'immagine originale nella visualizzazione. Se modifichi l'overlay, puoi aumentare la nitidezza visiva se l'immagine originale rende difficile la visualizzazione.Per un elenco completo dei possibili valori, consulta il riferimento API per il messaggio
Visualization
.
Configurazioni di esempio
Per iniziare, di seguito sono riportati alcuni esempi di configurazioni di Visualization
che puoi utilizzare
come punto di partenza e immagini che mostrano una serie di impostazioni applicate.
Gradienti integrati
Per gradienti integrati, potrebbe essere necessario modificare i valori dei clip se le 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 entrambi i tipi outlines
e pixels
. Le colonne etichettate come "Solo altamente predittivo", "Moderatamente predittivo" e "Quasi tutte" sono esempi di ritaglio a diversi livelli che possono aiutarti a perfezionare la visualizzazione.
XRAI
Per le visualizzazioni XRAI, ti consigliamo di iniziare senza alcun valore di clip per XRAI poiché 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 colori predefinita dei viridis e una serie di tipi di overlay. Le aree in giallo indicano le regioni più influenti che hanno contribuito positivamente alla previsione.
Passaggi successivi
- Per maggiori dettagli sulle altre opzioni di configurazione di Vertex Explainable AI, consulta Configurazione delle spiegazioni per i modelli con addestramento personalizzato.