Questa pagina fornisce una panoramica di Vertex AI Model Monitoring.
Panoramica del monitoraggio
Vertex AI Model Monitoring consente di eseguire job di monitoraggio secondo necessità o su una una pianificazione regolare per monitorare la qualità dei modelli tabulari. Se hai impostato Vertex AI Model Monitoring ti informa quando le metriche superano soglia specificata.
Ad esempio, supponiamo di avere un modello che prevede il lifetime value cliente. Man mano che le abitudini dei clienti cambiano, anche i fattori che prevedono la spesa dei clienti modifica. Di conseguenza, le caratteristiche e i valori delle caratteristiche utilizzati per addestrare il modello precedente potrebbe non essere pertinente per fare previsioni oggi. Questo la deviazione nei dati è nota come deviazione.
Vertex AI Model Monitoring può monitorare e avvisarti quando le deviazioni superano una soglia specificata. Puoi quindi rivalutare o riaddestrare il modello per assicurarti il modello si comporta come previsto.
Ad esempio, Vertex AI Model Monitoring può fornire visualizzazioni come quella riportata nella figura seguente, che sovrappone due grafici di due set di dati. Questa visualizzazione ti consente di confrontare e vedere rapidamente le deviazioni tra i due set di dati.
Versioni di Vertex AI Model Monitoring
Vertex AI Model Monitoring offre due versioni: v2 e v1.
Il monitoraggio dei modelli 2.0 è in anteprima ed è l'ultima offerta che associa tutte le attività di monitoraggio a una versione del modello. Al contrario, Model Monitoring v1 è in genere Disponibile e configurato sugli endpoint Vertex AI.
Se hai bisogno di assistenza a livello di produzione e vuoi monitorare un modello di cui è stato eseguito il deployment su un endpoint Vertex AI, usa Model Monitoring v1. Per tutti gli altri casi d'uso, utilizza Model Monitoring v2, che fornisce tutte le funzionalità di Model Monitoring v1 e altro ancora. Per maggiori informazioni informazioni, consulta la panoramica per ciascuna versione:
Per gli utenti esistenti di Model Monitoring 1.0, la versione 1.0 viene mantenuta invariata. Non è necessario eseguire la migrazione alla versione 2.0 di Model Monitoring. Se vuoi eseguire la migrazione, puoi utilizzare entrambe le versioni contemporaneamente fino a quando non avrai eseguito la migrazione completa a Model Monitoring v2, per evitare monitorando le lacune durante la transizione.
Panoramica di Model Monitoring 2.0
Model Monitoring 2.0 ti consente di monitorare le metriche nel tempo dopo aver configurato un monitoraggio del modello ed eseguito i job di monitoraggio. Puoi eseguire job di monitoraggio on demand o configurare job pianificati viene eseguito. Utilizzando le esecuzioni pianificate, il monitoraggio dei modelli esegue automaticamente i job di monitoraggio in base a una pianificazione che definisci.
Obiettivi di monitoraggio
Le metriche e le soglie monitorate sono associate agli obiettivi di monitoraggio. Per ogni versione del modello, puoi specificare uno o più obiettivi di monitoraggio. La tabella seguente illustra ciascun scopo:
| Obiettivo | Descrizione | Tipo di dati delle caratteristiche | Metriche supportate |
|---|---|---|---|
| Deviazione dei dati delle caratteristiche di input |
Misura la distribuzione dei valori delle caratteristiche di input rispetto a una base di riferimento distribuzione dei dati. |
Categorico: booleano, stringa, categorico |
|
| Numerico: numero in virgola mobile, numero intero | Jensen Shannon Divergence | ||
| Deviazione dei dati di previsione di output |
Misura la distribuzione dei dati sulle previsioni del modello rispetto a una base di riferimento distribuzione dei dati. |
Categorical: boolean, string, categorical |
|
| Numerico: numero in virgola mobile, numero intero | Jensen Shannon Divergence | ||
| Attribuzione delle caratteristiche |
Misura la variazione nel contributo delle caratteristiche alla previsione di un modello rispetto a un valore di riferimento. Ad esempio, puoi monitorare se un'attività molto importante la caratteristica perde improvvisamente di importanza. |
Tutti i tipi di dati | Valore SHAP (SHapley Additive exPlanations) |
Caratteristica di input e deviazione della previsione di output
Dopo il deployment di un modello in produzione, i dati di input possono discostarsi utilizzati per addestrare il modello o la distribuzione dei dati delle caratteristiche la produzione potrebbe cambiare significativamente nel corso del tempo. Model Monitoring 2.0 può monitorare le modifiche alla distribuzione dei dati di produzione rispetto ai dati di addestramento o tracciare l'evoluzione della distribuzione dei dati di produzione nel tempo.
Analogamente, per i dati di previsione, Model Monitoring v2 può monitorare le variazioni nella distribuzione di risultati previsti rispetto ai dati di addestramento o di produzione la distribuzione nel tempo.
Attribuzione delle caratteristiche
Le attribuzioni delle caratteristiche indicano in che misura ciascuna caratteristica del modello ha contribuito alle previsioni per ogni istanza specifica. I punteggi di attribuzione sono proporzionali al contributo della caratteristica alla previsione di un modello. In genere sono che indica se una caratteristica aiuta a eseguire il push della previsione. La somma degli attributi di tutte le funzionalità deve corrispondere al punteggio di previsione del modello.
Monitorando le attribuzioni delle caratteristiche, Model Monitoring v2 tiene traccia delle modifiche nel contributi alle previsioni di un modello nel tempo. Una variazione del voto di attribuzione di una caratteristica principale spesso indica che la caratteristica è stata modificata in modo da poter influire sull'accuratezza delle previsioni del modello.
Per ulteriori informazioni sulle metriche e sulle attribuzioni delle funzionalità, consulta Spiegazioni basate su funzionalità e Metodo Shapley campionato.
Come configurare il monitoraggio dei modelli 2.0
Devi prima registrare i tuoi modelli in Vertex AI Model Registry. Se gestisci i modelli al di fuori di Vertex AI, non è necessario caricare l'artefatto del modello. Poi crei un monitoraggio del modello, che associ a una versione del modello, e definisci lo schema del modello. Per alcuni modelli, come AutoML lo schema è fornito per te.
Nel monitoraggio del modello, puoi specificare facoltativamente configurazioni predefinite, gli obiettivi di monitoraggio, un set di dati di addestramento, la posizione di output di monitoraggio impostazioni di notifica. Per ulteriori informazioni, vedi Configurare il monitoraggio del modello.
Dopo aver creato un monitoraggio del modello, puoi eseguire un job di monitoraggio on demand oppure e pianificare job regolari per il monitoraggio continuo. Quando esegui un job, Monitoraggio dei modelli utilizza la configurazione predefinita impostata nel monitor dei modelli, a meno che non fornisci una configurazione di monitoraggio diversa. Ad esempio, se fornisci scopi di monitoraggio diversi o un set di dati di confronto diverso, il monitoraggio dei modelli utilizza le configurazioni del job anziché la configurazione predefinita del monitoraggio del modello. Per Per saperne di più, consulta Eseguire un job di monitoraggio.
Prezzi
Durante l'anteprima non ti viene addebitato alcun costo per Model Monitoring v2. Sei ancora addebitati per l'utilizzo di altri servizi, come Cloud Storage, BigQuery, previsioni batch di Vertex AI Vertex Explainable AI e Cloud Logging.
Tutorial sul blocco note
I seguenti tutorial mostrano come utilizzare l'SDK Vertex AI per Python per configurare Model Monitoring v2 per il modello.
Model Monitoring 2.0: job di previsione batch del modello personalizzato
Model Monitoring 2.0: previsione online del modello personalizzato
Model Monitoring v2: modelli esterni a Vertex AI
Panoramica di Model Monitoring 1.0
Per mantenere le prestazioni di un modello, Model Monitoring v1 monitora dati di input della previsione per l'inclinazione e la deviazione delle caratteristiche:
Il disallineamento addestramento/produzione si verifica quando la distribuzione dei dati delle funzionalità in produzione si discosta da quella utilizzata per addestrare il modello. Se sono disponibili i dati di addestramento originali, puoi abilitare il rilevamento del disallineamento per monitorare il disallineamento tra addestramento e distribuzione.
La deviazione della previsione si verifica quando la distribuzione dei dati delle caratteristiche in produzione cambia in modo significativo nel tempo. Se i dati di addestramento originali non sono disponibili, puoi abilitare il rilevamento della deviazione per monitorare i dati di input nel tempo.
Puoi abilitare sia il rilevamento di disallineamento che deviazione.
La versione 1 del monitoraggio del modello supporta il rilevamento di disallineamenti e deviazioni delle caratteristiche per le caratteristiche categoriche e numeriche:
Le caratteristiche categoriche sono dati limitati dal numero di valori possibili, tipicamente raggruppati per proprietà qualitative. Ad esempio, categorie come tipo di prodotto, paese o tipo di cliente.
Le caratteristiche numeriche sono dati che possono essere qualsiasi valore numerico. Ad esempio, peso e altezza.
Quando il disallineamento o la deviazione per la funzionalità di un modello supera una soglia di avviso impostata, Model Monitoring versione 1 ti invia un avviso via email. Puoi anche visualizzare le distribuzioni per ogni funzionalità nel tempo per valutare se è necessario addestrare nuovamente il modello.
Calcola la deriva
Per rilevare la deriva per la versione 1, Vertex AI Model Monitoring utilizza TensorFlow Data Validation (TFDV) per calcolare le distribuzioni e i punti di distanza.
Calcola la distribuzione statistica di base di riferimento:
Per il rilevamento del disallineamento, la base è il valore statistico distribuzione dei valori della caratteristica nei dati di addestramento.
Per il rilevamento della deviazione, la base è la distribuzione statistica dei valori della caratteristica rilevati in produzione in passato.
Le distribuzioni per le caratteristiche categoriche e numeriche vengono calcolate come segue:
Per le caratteristiche categoriche, la distribuzione calcolata è il numero o percentuale di istanze di ogni possibile valore della caratteristica.
Per le caratteristiche numeriche, il monitoraggio del modello Vertex AI suddivide l'intervallo di possibili valori delle caratteristiche in intervalli uguali e calcola il numero o la percentuale di valori delle caratteristiche che rientrano in ciascun intervallo.
La base di riferimento viene calcolata quando crei un modello Vertex AI Model Monitoring job, inoltre viene ricalcolato solo se aggiorni il set di dati di addestramento per il lavoro.
Calcola la distribuzione statistica degli ultimi valori delle caratteristiche rilevati in e produzione.
Confronta la distribuzione degli ultimi valori delle caratteristiche in produzione con la distribuzione di riferimento calcolando un punteggio di distanza:
Per le caratteristiche categoriche, il punteggio della distanza viene calcolato utilizzando Distanza L-infinity.
Per le caratteristiche numeriche, il punteggio della distanza viene calcolato utilizzando divergenza di Jensen-Shannon.
Quando il punteggio della distanza tra due distribuzioni statistiche supera il valore soglia specificata, Vertex AI Model Monitoring identifica l'anomalia come un disallineamento o una deviazione.
L'esempio seguente mostra un disallineamento o una deviazione tra la base di riferimento e le ultime distribuzioni di una caratteristica categorica:
Distribuzione di riferimento
Distribuzione più recente
L'esempio seguente mostra uno scostamento o una deriva tra la linea di base e le ultime distribuzioni di una caratteristica numerica:
Distribuzione di riferimento
Distribuzione più recente
Considerazioni sull'utilizzo di Model Monitoring
Per contenere i costi, puoi impostare una frequenza di campionamento delle richieste di previsione per monitorare un sottoinsieme degli input di produzione inviati a un modello.
Puoi impostare una frequenza con cui gli input registrati di recente di un modello di cui è stato eseguito il deployment vengono monitorati per evitare disallineamenti o deviazioni. La frequenza di monitoraggio determina l'intervallo di tempo, la dimensione della finestra di monitoraggio, dei dati registrati che vengono analizzati in ogni esecuzione del monitoraggio.
Puoi specificare le soglie di avviso per ogni funzionalità da monitorare. Un l'avviso viene registrato quando la distanza statistica tra la caratteristica di input e la rispettiva base di riferimento supera la soglia specificata. Di predefinita, ogni caratteristica categorica e numerica viene monitorata, con soglia pari a 0,3.
Un endpoint di previsione online può ospitare più modelli. Quando attivi il rilevamento di scostamento o derive su un endpoint, i seguenti parametri di configurazione vengono condivisi tra tutti i modelli ospitati in quell'endpoint:
- Tipo di rilevamento
- Frequenza di monitoraggio
- Frazione di richieste di input monitorate
Per gli altri parametri di configurazione, puoi impostare valori diversi per ogni modello.