用于批量预测的 Vertex AI Model Monitoring

本页面介绍如何配置批量预测作业请求以包含一次性 Model Monitoring 分析。对于批量预测，Model Monitoring 支持分类和数值输入特征的特征偏差检测。

如需使用 Model Monitoring 偏差分析创建批量预测作业，您必须在请求中同时包含模型的批量预测输入数据和原始训练数据。您只能在创建新的批量预测作业时添加 Model Monitoring 分析。

如需详细了解偏差，请参阅 Model Monitoring 简介。

如需了解如何为在线（实时）预测设置 Model Monitoring，请参阅使用 Model Monitoring。

前提条件

如需将 Model Monitoring 与批量预测搭配使用，请完成以下操作：

在 Vertex AI Model Registry 中准备好可用的模型，可以是表格 AutoML 或表格自定义训练类型。
将您的训练数据上传到 Cloud Storage 或 BigQuery，并获取数据的 URI 链接。
- 对于使用 AutoML 训练的模型，您可以使用训练数据集的数据集 ID。

Model Monitoring 会将训练数据与批量预测输出进行比较。请确保为训练数据和批量预测输出使用受支持的文件格式：

模型类型	训练数据	批量预测输出
自定义训练	CSV、JSONL、BigQuery、TfRecord(tf.train.Example)	JSONL
AutoML 表格	CSV、JSONL、BigQuery、TfRecord(tf.train.Example)	CSV、JSONL、BigQuery、TfRecord(Protobuf.Value)

可选：对于自定义训练模型，请将模型的架构上传到 Cloud Storage。模型监控要求架构计算基准分布以进行偏差检测。

请求批量预测

您可以使用以下方法将 Model Monitoring 配置添加到批量预测作业：

控制台

按照相关说明在启用 Model Monitoring 的情况下发出批量预测请求：

REST API

按照相关说明使用 REST API 发出批量预测请求：

创建批量预测请求时，请将以下模型监控配置添加到请求 JSON 正文：

"modelMonitoringConfig": {
 "alertConfig": {
   "emailAlertConfig": {
     "userEmails": "EMAIL_ADDRESS"
   },
  "notificationChannels": [NOTIFICATION_CHANNELS]
 },
 "objectiveConfigs": [
   {
     "trainingDataset": {
       "dataFormat": "csv",
       "gcsSource": {
         "uris": [
           "TRAINING_DATASET"
         ]
       }
     },
     "trainingPredictionSkewDetectionConfig": {
       "skewThresholds": {
         "FEATURE_1": {
           "value": VALUE_1
         },
         "FEATURE_2": {
           "value": VALUE_2
         }
       }
     }
   }
 ]
}

其中：

EMAIL_ADDRESS 是您用于接收 Model Monitoring 提醒的电子邮件地址。例如 example@example.com。
NOTIFICATION_CHANNELS：您要在其中接收模型监控提醒的 Cloud Monitoring 通知渠道列表。使用通知渠道的资源名称，您可以通过列出项目中的通知渠道进行检索。例如 "projects/my-project/notificationChannels/1355376463305411567", "projects/my-project/notificationChannels/1355376463305411568"。
TRAINING_DATASET 是存储在 Cloud Storage 中的训练数据集的链接。
- 如需使用 BigQuery 训练数据集的链接，请将 gcsSource 字段替换为以下内容：
```
"bigquerySource": {
    {
      "inputUri": "TRAINING_DATASET"
    }
 }
```
- 如需使用 AutoML 模型的链接，请将 gcsSource 字段替换为以下内容：
```
"dataset": "TRAINING_DATASET"
```
FEATURE_1:VALUE_1 和 FEATURE_2:VALUE_2 是您要监控的每个特征的提醒阈值。例如，如果您指定 Age=0.4，当 Age 特征的输入分布和基准分布之间的统计距离超过 0.4 时，Model Monitoring 会记录提醒。默认情况下，每个分类和数值特征都会受监控，并且阈值为 0.3。

如需详细了解 Model Monitoring 配置，请参阅 Monitoring 作业参考。

Python

如需使用 Model Monitoring 针对自定义表格模型运行批量预测作业，请参阅示例笔记本。

Model Monitoring 会自动通过电子邮件通知您作业更新和提醒。

访问偏差指标

您可以使用以下方法访问批量预测作业的偏差指标：

控制台（直方图）

使用 Google Cloud 控制台查看每个受监控特征的特征分布直方图，并了解哪些更改随时间变化会导致偏差：

前往批量预测页面：

前往“批量预测”
在批量预测页面上，点击要分析的批量预测作业。
点击 Model Monitoring 提醒标签页以查看模型的输入特征列表以及相关信息（例如每个特征的提醒阈值）。
如需分析特征，请点击特征的名称。此时会显示一个页面，其中显示该特征的特征分布直方图。

通过以直方图的形式直观呈现数据分布，您可以快速关注数据中发生的变化。之后，您可以决定调整特征生成流水线或重新训练模型。

控制台（JSON 文件）

使用 Google Cloud 控制台访问 JSON 格式的指标：

前往批量预测页面：

前往“批量预测”
点击批量预测监控作业的名称。
点击 Monitoring 属性标签页。
点击 Monitoring 输出目录链接，这会将您转到 Cloud Storage 存储桶。
点击 metrics/ 文件夹。
点击 skew/ 文件夹。
点击 feature_skew.json 文件，即可进入对象详情页面。
使用以下任一选项打开 JSON 文件：

点击下载，然后在本地文本编辑器中打开该文件。
使用 gsutil URI 文件路径在 Cloud Shell 或本地终端中运行 gsutil cat GSUTIL_URI。

feature_skew.json 文件包含一个字典，其中键是特征名称，值是特征偏差。例如：

{
  "cnt_ad_reward": 0.670936,
  "cnt_challenge_a_friend": 0.737924,
  "cnt_completed_5_levels": 0.549467,
  "month": 0.293332,
  "operating_system": 0.05758,
  "user_pseudo_id": 0.1
}

Python

如需在使用 Model Monitoring 运行批量预测作业后访问自定义表格模型的偏差指标，请参阅示例笔记本

调试批量预测监控失败

如果批量预测监控作业失败，您可以在 Google Cloud 控制台中找到调试日志：

前往批量预测页面。

前往“批量预测”
点击失败的批量预测监控作业的名称。
点击 Monitoring 属性标签页。
点击 Monitoring 输出目录链接，这会将您转到 Cloud Storage 存储桶。
点击 logs/ 文件夹。
点击其中一个 .INFO 文件，即可转到对象详细信息页面。
使用以下任一选项打开日志文件：
- 点击下载，然后在本地文本编辑器中打开该文件。
- 使用 gsutil URI 文件路径在 Cloud Shell 或本地终端中运行 gsutil cat GSUTIL_URI。

笔记本教程

详细了解如何使用 Vertex AI Model Monitoring 通过这些端到端教程获取模型的可视化内容和统计信息。

AutoML

自定义

后续步骤

了解如何使用 Model Monitoring。
了解 Model Monitoring 如何计算训练-应用偏差和预测偏移。

用于批量预测的 Vertex AI Model Monitoring

前提条件

请求批量预测

控制台

REST API

Python

访问偏差指标

控制台（直方图）

控制台（JSON 文件）

Python

调试批量预测监控失败

笔记本教程

AutoML

自定义

XGBoost 模型

Explainable AI 特征归因

批量预测

表格模型的设置

后续步骤