Vertex AI Model Monitoring per le previsioni batch

Anteprima

Questa funzionalità è coperta Termini dell'offerta pre-GA di Google Cloud Termini di servizio. Per questa funzionalità, puoi trattare i dati personali come indicato nei Termini per la sicurezza del trattamento dei dati, soggetti alle limitazioni descritte nei Termini di servizio della piattaforma Google Cloud. I prodotti e le funzionalità pre-GA potrebbero avere supporto limitato e modifiche a I prodotti e le funzionalità pre-GA potrebbero non essere compatibili con altre versioni pre-GA. Per ulteriori informazioni, consulta descrizioni della fase di lancio.

Questa pagina descrive come configurare richieste di job di previsione batch per includere l'analisi di Model Monitoring una tantum. Per batch le previsioni, Model Monitoring supporta il rilevamento del disallineamento per caratteristiche di input categorico e numerico.

Creazione di un job di previsione batch con Model Monitoring l'analisi del disallineamento, devi includere sia i dati di input della previsione batch dati di addestramento originali per il modello nella richiesta. Puoi aggiungere solo Analisi del monitoraggio del modello durante la creazione di un nuovo batch in altri job di previsione.

Per ulteriori informazioni sul disallineamento, consulta la sezione Introduzione alle Model Monitoring.

Per istruzioni su come configurare il monitoraggio previsioni online (in tempo reale), consulta Utilizzo Model Monitoring.

Prerequisiti

Per utilizzare Model Monitoring con previsioni batch, completa il seguenti:

1. Avere in Vertex AI Model Registry disponibile un modello tabulare AutoML o un tipo di addestramento personalizzato tabulare.

2. Carica i dati di addestramento Cloud Storage o BigQuery e ottenere il link URI ai dati.

   • Per i modelli addestrati con AutoML, puoi utilizzare l'ID del set di dati per il set di dati di addestramento.

3. Model Monitoring confronta i dati di addestramento l'output della previsione batch. Assicurati di utilizzare formati file supportati per dati di addestramento e output della previsione batch:

   Tipo di modello	Dati di addestramento	Output di previsione batch
   Addestrato dal cliente	CSV, JSONL, BigQuery, TfRecord(tf.train.Example)	JSONL
   Dati tabulari AutoML	CSV, JSONL, BigQuery, TfRecord(tf.train.Example)	CSV, JSONL, BigQuery, TfRecord(Protobuf.Value)

4. (Facoltativo) Per i modelli con addestramento personalizzato, carica lo schema del tuo in Cloud Storage. Model Monitoring richiede lo schema per calcolare la distribuzione di riferimento per il rilevamento del disallineamento.

Richiedi una previsione batch

Puoi usare i seguenti metodi per aggiungere Configurazioni di Model Monitoring per job di previsione in batch:

Console

Segui le istruzioni per effettuare una richiesta di previsione batch con Model Monitoring abilitato:

• Classificazione e regressione AutoML tabulari

• Previsione AutoML tabulare

• Addestramento personalizzato tabulare

API REST

Segui le istruzioni per effettuare una richiesta di previsione batch utilizzando l'API REST:

• Classificazione e regressione AutoML tabulari

• Previsione AutoML tabulare

• Addestramento personalizzato tabulare

Quando crei la richiesta di previsione batch, aggiungi quanto segue Configurazione di Model Monitoring nel corpo JSON della richiesta:

"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
         }
       }
     }
   }
 ]
}

dove:

• EMAIL_ADDRESS è l'indirizzo email a cui vuoi ricevere gli avvisi da Model Monitoring. Ad esempio, [e-mail].

• NOTIFICATION_CHANNELS: un elenco di Canali di notifica di Cloud Monitoring per ricevere avvisi da Model Monitoring. Utilizza i nomi delle risorse per i canali di notifica, che puoi recuperare elencare i canali di notifica nel tuo progetto. Ad esempio: "projects/my-project/notificationChannels/1355376463305411567", "projects/my-project/notificationChannels/1355376463305411568".

• TRAINING_DATASET è il link al set di dati di addestramento archiviato in Cloud Storage.

  • Per utilizzare un link a un set di dati di addestramento BigQuery, sostituisci il campo gcsSource con quanto segue:

  "bigquerySource": {
      {
        "inputUri": "TRAINING_DATASET"
      }
   }
  

  • Per utilizzare un link a un modello AutoML, sostituisci il campo gcsSource con quanto segue:

  "dataset": "TRAINING_DATASET"

• FEATURE_1:VALUE_1 e FEATURE_2:VALUE_2 è la soglia di avviso per ciascuna caratteristica che vuoi monitorare. Ad esempio, se specifichi Age=0.4, Model Monitoring registra un avviso quando le distanza tra le distribuzioni di input e di riferimento per La funzionalità Age supera 0,4. Per impostazione predefinita, ogni valore viene monitorata con valori soglia di 0,3.

Per ulteriori informazioni sul monitoraggio del modello configurazioni, consulta il riferimento sul job di monitoraggio.

Python

Consulta il blocco note di esempio per eseguire un job di previsione batch con Model Monitoring per un modello tabulare personalizzato.

Model Monitoring ti avvisa automaticamente via email degli aggiornamenti sulle offerte e degli avvisi.

Metriche di disallineamento degli accessi

Puoi usare i seguenti metodi per accedere alle metriche di disallineamento per la previsione batch offerte di lavoro:

Console (istogramma)

Utilizza la console Google Cloud per visualizzare gli istogrammi della distribuzione delle caratteristiche per ciascuna caratteristica monitorata e scoprire quali cambiamenti hanno causato un disallineamento nel tempo:

1. Vai alla pagina Previsioni batch:

   Vai alle previsioni batch

2. Nella pagina Previsioni batch, fai clic sul job di previsione batch da analizzare.

3. Fai clic sulla scheda Avvisi di monitoraggio dei modelli per visualizzare delle caratteristiche di input del modello, insieme alle informazioni pertinenti, come la soglia di avviso per ogni caratteristica.

4. Per analizzare un elemento, fai clic sul suo nome. Una pagina mostra degli istogrammi della distribuzione delle caratteristiche in questione.

   La visualizzazione della distribuzione dei dati sotto forma di istogrammi consente di concentrarti rapidamente delle modifiche apportate ai dati. In seguito, puoi decidere di la tua pipeline di generazione delle caratteristiche o riaddestrare il modello.

   

Console (file JSON)

Utilizza la console Google Cloud per accedere alle metriche in formato JSON:

1. Vai alla pagina Previsioni batch:

   Vai alle previsioni batch

2. Fai clic sul nome del job di monitoraggio della previsione batch.

3. Fai clic sulla scheda Proprietà di monitoraggio.

4. Fai clic sul link Directory di output di Monitoring, che ti indirizza a una nel bucket Cloud Storage.

5. Fai clic sulla cartella metrics/.

6. Fai clic sulla cartella skew/.

7. Fai clic sul file feature_skew.json, che ti porta all'oggetto dei dettagli.

8. Apri il file JSON utilizzando una delle seguenti opzioni:

• Fai clic su Scarica e apri il file nel tuo editor di testo locale.

• Utilizza il percorso del file URI gsutil per eseguire gsutil cat GSUTIL_URI in Cloud Shell o nel tuo terminale locale.

Il file feature_skew.json include un dizionario in cui la chiave è il nome della caratteristica, mentre il valore è il disallineamento delle caratteristiche. Ad esempio:

{
  "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

Consulta l'esempio di blocco note per accedere alle metriche di disallineamento per un tabulare dopo l'esecuzione di un job di previsione batch Model Monitoring.

Debug degli errori di monitoraggio della previsione batch

Se il job di monitoraggio della previsione batch non riesce, puoi trovare i log di debug in la console Google Cloud:

1. Vai alla pagina Previsioni batch.

   Vai alle previsioni batch

2. Fai clic sul nome del job di monitoraggio della previsione batch non riuscito.

3. Fai clic sulla scheda Proprietà di monitoraggio.

4. Fai clic sul link Directory di output di Monitoring, che ti indirizza a una nel bucket Cloud Storage.

5. Fai clic sulla cartella logs/.

6. Fai clic su uno dei file .INFO per passare all'oggetto dei dettagli.

7. Apri il file di log utilizzando una delle seguenti opzioni:

   • Fai clic su Scarica e apri il file nel tuo editor di testo locale.

   • Utilizza il percorso dell'URI gsutil per eseguire gsutil cat GSUTIL_URI in Cloud Shell o nel tuo terminale locale.

Tutorial sul blocco note

Scopri di più su come utilizzare Vertex AI Model Monitoring per ottenere visualizzazioni e statistiche per i modelli con questi tutorial end-to-end.

AutoML

• Vertex AI Model Monitoring per i modelli tabulari AutoML
• Vertex AI Model Monitoring per la previsione batch nei modelli di immagini AutoML
• Vertex AI Model Monitoring per la previsione online nei modelli di immagini AutoML

Personalizzato

• Vertex AI Model Monitoring per modelli tabulari personalizzati
• Vertex AI Model Monitoring per i modelli tabulari personalizzati con il container TensorFlow Serving

Modelli XGBoost

• Vertex AI Model Monitoring per i modelli XGBoost

Attribuzioni delle caratteristiche di Vertex Explainable AI

• Vertex AI Model Monitoring con Explainable AI Feature Attributions

Previsione batch

• Previsione batch di Vertex AI con Model Monitoring

Configurazione per i modelli tabulari

• Vertex AI Model Monitoring per la configurazione dei modelli tabulari

Passaggi successivi

• Scopri come utilizzare il monitoraggio dei modelli.
• Scoprire come Model Monitoring calcola addestramento-distribuzione il disallineamento e la deviazione della previsione.