Vertex AI Model Monitoring pour les prédictions par lot

Bêta

Cette fonctionnalité est couverte par les Conditions des offres avant disponibilité générale des conditions d'utilisation de Google Cloud. Pour cette fonctionnalité, vous pouvez traiter les données à caractère personnel comme indiqué dans Conditions relatives à la sécurité du traitement des données, sous réserve des restrictions décrites dansConditions d'utilisation de Google Cloud Platform. Les fonctionnalités et produits pré-DG sont susceptibles de présenter une compatibilité limitée, et les modifications apportées à ces fonctionnalités ou produits peuvent ne pas être compatibles avec d'autres versions pré-DG. Pour en savoir plus, consultez les descriptions des étapes de lancement.

Cette page explique comment configurer des requêtes de tâches de prédiction par lot pour inclure une analyse Model Monitoring ponctuelle. Pour les prédictions par lot, Model Monitoring accepte la détection des décalages de caractéristiques pour les caractéristiques d'entrée catégorielles et numériques.

Pour créer une tâche de prédiction par lot avec une analyse des décalages Model Monitoring, vous devez inclure à la fois vos données d'entrée de prédiction par lot et les données d'entraînement d'origine de votre modèle dans la requête. Vous ne pouvez ajouter une analyse Model Monitoring que lors de la création de tâches de prédiction par lot.

Pour plus d'informations sur les décalages, consultez la Présentation de Model Monitoring.

Pour savoir comment configurer Model Monitoring pour les prédictions en ligne (en temps réel), consultez la page Utiliser Model Monitoring.

Prérequis

Pour utiliser la surveillance de modèles avec des prédictions par lot, procédez comme suit :

1. Vous devez disposer d'un modèle disponible dans Vertex AI Model Registry, soit un type tabulaire AutoML, soit un type d'entraînement personnalisé tabulaire.

2. Importez vos données d'entraînement dans Cloud Storage ou BigQuery et obtenez le lien URI vers les données.

   • Pour les modèles entraînés avec AutoML, vous pouvez utiliser à la place l'ID de l'ensemble de données d'entraînement.

3. La surveillance des modèles compare les données d'entraînement au résultat de la prédiction par lot. Assurez-vous d'utiliser les formats de fichiers compatibles pour les données d'entraînement et le résultat de la prédiction par lot :

   Model type	Données d'entraînement	Résultat de la prédiction par lot
   Entraînement personnalisé	CSV, JSONL, BigQuery, TfRecord(tf.train.Example)	JSONL
   Tabulaire AutoML	CSV, JSONL, BigQuery, TfRecord(tf.train.Example)	CSV, JSONL, BigQuery, TfRecord(Protobuf.Value)

4. Facultatif : Pour les modèles entraînés personnalisés, importez le schéma de votre modèle dans Cloud Storage. La surveillance des modèles nécessite le schéma afin de calculer la distribution de référence pour détecter les décalages.

Demander une prédiction par lots

Vous pouvez utiliser les méthodes suivantes pour ajouter des configurations de Monitoring de modèle aux tâches de prédiction par lot :

Console

Suivez les instructions pour effectuer une requête de prédiction par lot avec la surveillance de modèles activée :

• Classification et régression AutoML tabulaires

• Prévisions AutoML tabulaires

• Entraînement personnalisé tabulaire

API REST

Suivez les instructions pour effectuer une requête de prédiction par lot à l'aide de l'API REST :

• Classification et régression AutoML tabulaires

• Prévisions AutoML tabulaires

• Entraînement personnalisé tabulaire

Lorsque vous créez la requête de prédiction par lot, ajoutez la configuration de surveillance de modèles suivante au corps de la requête JSON :

"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
         }
       }
     }
   }
 ]
}

où :

• EMAIL_ADDRESS est l'adresse e-mail à laquelle vous souhaitez recevoir des alertes de la surveillance de modèles. Par exemple, [e-mail].

• NOTIFICATION_CHANNELS : liste des canaux de notification Cloud Monitoring dans lesquels vous souhaitez recevoir des alertes de la surveillance de modèles. Utilisez les noms de ressources des canaux de notification, que vous pouvez récupérer en répertoriant les canaux de notification de votre projet. Exemple : "projects/my-project/notificationChannels/1355376463305411567", "projects/my-project/notificationChannels/1355376463305411568".

• TRAINING_DATASET est le lien vers l'ensemble de données d'entraînement stocké dans Cloud Storage.

  • Pour utiliser un lien vers un ensemble de données d'entraînement BigQuery, remplacez le champ gcsSource par ce qui suit :

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

  • Pour utiliser un lien vers un modèle AutoML, remplacez le champ gcsSource par ce qui suit :

  "dataset": "TRAINING_DATASET"

• FEATURE_1:VALUE_1 et FEATURE_2:VALUE_2 est le seuil d'alerte pour chaque caractéristique que vous souhaitez surveiller. Par exemple, si vous spécifiez Age=0.4, Model Monitoring enregistre une alerte lorsque la distance statistique entre la distribution d'entrée et la distribution de référence de la caractéristique Age dépasse 0,4. Par défaut, chaque caractéristique catégorielle et numérique est surveillée, avec des valeurs de seuil de 0,3.

Pour en savoir plus sur les configurations de Model Monitoring, consultez la documentation de référence sur les tâches de surveillance.

Python

Consultez l'exemple de notebook pour exécuter une tâche de prédiction par lot avec la surveillance de modèles pour un modèle tabulaire personnalisé.

La surveillance de modèles vous informe automatiquement par e-mail des mises à jour et des alertes relatives aux tâches.

Accéder aux métriques de décalage

Vous pouvez utiliser les méthodes suivantes pour accéder aux métriques de décalage pour les tâches de prédiction par lot :

Console (histogramme)

Utilisez la console Google Cloud pour afficher les histogrammes de distribution des caractéristiques pour chaque caractéristique surveillée et identifier les modifications qui ont entraîné un décalage au fil du temps :

1. Accéder à la page Prédictions par lot :

   Accéder aux prédictions par lot

2. Sur la page Prédictions par lot, cliquez sur la tâche de prédiction par lot que vous souhaitez analyser.

3. Cliquez sur l'onglet Alertes Model Monitoring pour afficher la liste des caractéristiques d'entrée du modèle, ainsi que des informations pertinentes, telles que le seuil d'alerte de chaque caractéristique.

4. Pour analyser une caractéristique, cliquez sur son nom. Une page affiche les histogrammes de distribution des caractéristiques pour cette caractéristique.

   Visualiser la distribution des données sous forme d'histogrammes vous permet de vous concentrer rapidement sur les modifications survenues dans les données. Vous pouvez ensuite décider d'ajuster votre pipeline de génération de caractéristiques ou de réentraîner le modèle.

   

Console (fichier JSON)

Utilisez la console Google Cloud pour accéder aux métriques au format JSON :

1. Accéder à la page Prédictions par lot :

   Accéder aux prédictions par lot

2. Cliquez sur le nom de la tâche de surveillance de prédiction par lot.

3. Cliquez sur l'onglet Propriétés de la surveillance.

4. Cliquez sur le lien Répertoire de sortie pour la surveillance, qui vous redirige vers un bucket Cloud Storage.

5. Cliquez sur le dossier metrics/.

6. Cliquez sur le dossier skew/.

7. Cliquez sur le fichier feature_skew.json, qui vous redirige vers la page Détails de l'objet.

8. Ouvrez le fichier JSON en utilisant l'une des options suivantes :

• Cliquez sur Télécharger et ouvrez le fichier dans votre éditeur de texte local.

• Utilisez le chemin d'accès au fichier gsutil URI pour exécuter gsutil cat GSUTIL_URI dans Cloud Shell ou dans votre terminal local.

Le fichier feature_skew.json inclut un dictionnaire dans lequel la clé correspond au nom de la caractéristique et la valeur est le décalage de caractéristique. Exemple :

{
  "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

Consultez l'exemple de notebook pour accéder aux métriques de décalage d'un modèle tabulaire personnalisé après avoir exécuté une tâche de prédiction par lot avec la surveillance des modèles.

Déboguer les échecs de surveillance de la prédiction par lot

Si votre tâche de surveillance des prédictions par lot échoue, vous trouverez des journaux de débogage dans la console Google Cloud :

1. Accéder à la page Prédictions par lot

   Accéder aux prédictions par lot

2. Cliquez sur le nom du job de surveillance des prédictions par lot ayant échoué.

3. Cliquez sur l'onglet Propriétés de la surveillance.

4. Cliquez sur le lien Répertoire de sortie pour la surveillance, qui vous redirige vers un bucket Cloud Storage.

5. Cliquez sur le dossier logs/.

6. Cliquez sur l'un des fichiers .INFO, qui vous redirige vers la page Détails des objets.

7. Ouvrez le fichier journaux en utilisant l'une des options suivantes :

   • Cliquez sur Télécharger et ouvrez le fichier dans votre éditeur de texte local.

   • Utilisez le chemin d'accès au fichier gsutil URI pour exécuter gsutil cat GSUTIL_URI dans Cloud Shell ou dans votre terminal local.

Tutoriels sur les notebooks

Grâce à ces tutoriels de bout en bout, vous pouvez apprendre à utiliser Vertex AI Model Monitoring pour obtenir des visualisations et des statistiques sur les modèles.

AutoML

• Vertex AI Model Monitoring pour les modèles tabulaires AutoML
• Vertex AI Model Monitoring pour la prédiction par lot dans des modèles d'image AutoML
• Vertex AI Model Monitoring pour la prédiction en ligne dans les modèles d'image AutoML

Personnalisé

• Vertex AI Model Monitoring pour les modèles tabulaires personnalisés
• Vertex AI Model Monitoring pour les modèles tabulaires personnalisés avec conteneur TensorFlow Serving

Modèles XGBoost

• Vertex AI Model Monitoring pour les modèles XGBoost

Attributions de caractéristiques Explainable AI

• Vertex AI Model Monitoring avec les attributions de caractéristiques Explainable AI

Prédiction par lot

• Vertex AI Batch Prediction avec la surveillance des modèles

Configuration pour les modèles tabulaires

• Vertex AI Model Monitoring pour la configuration des modèles tabulaires

Étapes suivantes

• Découvrez comment utiliser la surveillance des modèles.
• Découvrez comment Model Monitoring calcule les écarts entraînement/diffusion et les dérives de prédiction.