Prova i modelli Gemini 1.5, gli ultimi modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token. Prova i modelli Gemini 1.5, i più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token.

Questa pagina è stata tradotta dall'API Cloud Translation.

Componenti di valutazione del modello

I componenti di valutazione del modello utilizzano dati empirici reali e previsioni batch i risultati come input e generare metriche di valutazione. I dati di fatto sono "etichettato correttamente" determinati da esseri umani e di solito viene fornito come campo target nel set di dati di test utilizzato per addestrare il modello. Per ulteriori informazioni informazioni, consulta Valutazione dei modelli in Vertex AI.

Vertex AI fornisce i seguenti componenti di valutazione del modello:

Supporto dei tipi di modello

La tabella seguente mostra i tipi di modelli supportati per ogni valutazione del modello componente:

Componente di valutazione del modello	Tipi di modelli supportati
`ModelEvaluationClassificationOp`	Dati tabulari, di immagine, testo e video AutoML Tabulari personalizzati
`ModelEvaluationRegressionOp`	Dati tabulari AutoML Tabulari personalizzati
`ModelEvaluationForecastingOp`	Dati tabulari AutoML

Rimuovi il campo di destinazione

Per alcuni tipi di modello, il componente BatchPredictionJob richiede l'esclusione della colonna target (dati empirici reali) dal set di dati.

Configura e formatta le sezioni per il set di dati tabulare

Una sezione è un sottoinsieme di dati tabulari con caratteristiche specificate. A fette offre metriche di valutazione più granulari per AutoML tabulari e personalizzati di addestramento di modelli di classificazione.

Ad esempio, consideriamo un set di dati di adozione di animali domestici in cui un modello viene addestrato a prevedere se un animale domestico sarà adottato entro una settimana. Sebbene sia utile esaminare per l'intero set di dati, ti potrebbero interessare le metriche relative la specie e l'età degli animali domestici. In altre parole, ti interessa quanto segue: del set di dati:

Funzionalità	Valori
`age (in years)`	1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
`species`	"cane", "gatto", "coniglio"

Questa analisi dettagliata può essere utile per identificare dove il modello potrebbe maggiormente soggetto a errori o assicurare che il modello funzioni bene su aree sottoinsiemi di dati.

Configura sezioni

Per configurare una sezione, crea un file JSON con la seguente configurazione:

{
  "FEATURE": {
    "KIND": {
      CONFIG
    }
  }
}

Dove:

FEATURE è una caratteristica per la quale vuoi creare una sezione. Ad esempio, age.
KIND corrisponde a uno dei seguenti:
- value
  
  value crea una singola sezione in base a un singolo valore di una caratteristica. Specifica CONFIG come coppia chiave-valore in cui la chiave è float_value o string_value. Ad esempio, "float_value": 1.0.
  
  La configurazione di esempio seguente crea una singola sezione contenente dati con age di 1:
```
{
  "age": {
    "value": {
      "float_value": 1.0
    }
  }
}
```
- range
  
  range crea una singola sezione che include i dati in un intervallo specificato. Specifica CONFIG come due coppie chiave-valore in cui le chiavi sono low e high.
  
  La configurazione di esempio seguente crea una singola sezione contenente dati dove age è un qualsiasi valore compreso tra 1 e 3:
```
{
  "age": {
    "range": {
      "low": 1,
      "high": 3
    }
  }
}
```
- all_values
  
  all_values crea una sezione separata per ogni possibile sezione l'etichetta dell'elemento. Specifica CONFIG come "value": true.
  
  La seguente configurazione di esempio crea tre sezioni, una per "dog", "cat" e "rabbit":
```
{
  "species": {
    "all_values": {
      "value": true
    }
  }
}
```

Puoi anche utilizzare più caratteristiche per creare una o più sezioni.

La seguente configurazione crea una singola sezione contenente dati in cui age è tra 1 e 3 e species è "dog":

{
  "age": {
    "range": {
      "low": 1,
      "high": 3
    }
  },
  "species": {
    "value": {
      "string_value": "dog"
    }
  }
}

La seguente configurazione crea più sezioni, una per ogni specie unica nel set di dati, dove age è 1.

{
  "species": {
    "all_values": {
      "value": true
    }
  },
  "age": {
    "value": {
      "float_value": 1.0
    }
  }
}

Le sezioni risultanti contengono i seguenti dati del set di dati di esempio:

Sezione 1: age:1 e species:"dog"
Sezione 2: age:1 e species:"cat"
Sezione 3: age:1 e species:"rabbit"

Formattare le sezioni

Per formattare le sezioni per il componente ModelEvaluationClassificationOp, procedi nel seguente modo seguenti:

Crea un slicing_spec. Ad esempio:

from google.cloud.aiplatform_v1.types.ModelEvaluationSlice.Slice import SliceSpec
from google.cloud.aiplatform_v1.types.ModelEvaluationSlice.Slice.SliceSpec import SliceConfig

slicing_spec = SliceSpec(configs={ 'feature_a': SliceConfig(SliceSpec.Value(string_value='label_a') ) })

Crea un elenco per archiviare le configurazioni delle sezioni. Ad esempio:
```
slicing_specs = []
```

Formatta ogni slicing_spec come JSON o come dizionario. Ad esempio:

slicing_spec_json = json_format.MessageToJson(slicing_spec)

slicing_spec_dict = json_format.MessageToDict(slicing_spec)

Combina ogni slicing_spec in un elenco. Ad esempio:
```
slicing_specs.append(slicing_spec_json)
```
Passa slicing_specs come parametro a ModelEvaluationClassificationOp di strumento di authoring. Ad esempio:
```
ModelEvaluationClassificationOp(slicing_specs=slicing_specs)
```

Sezioni di configurazione delle metriche di equità del formato

Per valutare il tuo modello per l'equità, utilizza i seguenti componenti:

DetectDataBiasOp: restituisce le metriche di bias dei dati per le sezioni che passi nel componente.
DetectModelBiasOp: restituisce le metriche di bias del modello per la le sezioni passate al componente.

Per formattare le sezioni per DetectDataBiasOp e DetectModelBiasOp segui questi passaggi:

Crea un BiasConfig. Ad esempio:

from google.cloud.aiplatform_v1.types.ModelEvaluation import BiasConfig
from google.cloud.aiplatform_v1.types.ModelEvaluationSlice.Slice import SliceSpec
from google.cloud.aiplatform_v1.types.ModelEvaluationSlice.Slice.SliceSpec import SliceConfig

bias_config = BiasConfig(bias_slices=SliceSpec(configs={ 'feature_a': SliceConfig(SliceSpec.Value(string_value='label_a') ) }))

Crea un elenco per memorizzare le configurazioni di bias. Ad esempio:
```
bias_configs = []
```

Formatta ogni bias_config come JSON o come dizionario. Ad esempio:

bias_config_json = json_format.MessageToJson(bias_config)

bias_config_dict = json_format.MessageToDict(bias_config)

Combina ogni bias_config in un elenco. Ad esempio:
```
bias_configs.append(bias_config_json)
```
Passa bias_configs come parametro a DetectDataBiasOp o DetectModelBiasOp di strumento di authoring. Ad esempio:
```
DetectDataBiasOp(bias_configs=bias_configs)

DetectModelBiasOp(bias_configs=bias_configs)
```

Parametri di input obbligatori

I parametri di input richiesti per i componenti di valutazione del modello variano in base a il tipo di modello che stai valutando.

Modelli AutoML

Durante l'addestramento dei modelli AutoML, Vertex AI utilizza gli schemi predefiniti. Alcuni parametri di input per i componenti di valutazione del modello sono necessari solo se hai utilizzato uno schema non predefinito per addestrare il modello.

Puoi visualizzare e scaricare file di schema dai seguenti file di Cloud Storage località:
gs://google-cloud-aiplatform/schema/modelevaluation/

Le seguenti schede mostrano i file di output delle previsioni batch di esempio e l'input richiesto parametri per ciascun tipo di modello:

Tabulare

Classificazione

Lo schema predefinito include i seguenti campi:

scores: array
classes: array

Di seguito è riportato un esempio di file di output di una previsione batch con la colonna target di male:

{
  "instance": {
    "male": "1",
    "age": "49",
    "heartRate": "67",
    "education": "medium_high",
    "totChol": "282",
    "diaBP": "79",
    "BPMeds": "0",
    "currentSmoker": "current_high",
    "cigsPerDay": "25",
    "prevalentStroke": "stroke_0",
    "prevalentHyp": "hyp_0",
    "TenYearCHD": "FALSE",
    "diabetes": "0",
    "sysBP": "134",
    "BMI": "26.87",
    "glucose": "78"
    },
  "prediction": {
      "scores": [0.3666940927505493, 0.6333059072494507],
      "classes": ["0", "1"]
    }
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationClassificationOp con un modello tabulare:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Non obbligatorio per lo schema predefinito. Utilizza `prediction.classes` per gli schemi non predefiniti.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. Utilizza `prediction.scores` per gli schemi non predefiniti.
`evaluation_class_labels`	Non obbligatorio per lo schema predefinito. Utilizza `["0","1"]` per gli schemi non predefiniti.

Regressione

Lo schema predefinito include i seguenti campi:

value: numero in virgola mobile
lower_bound: numero in virgola mobile
upper_bound: numero in virgola mobile

Di seguito è riportato un esempio di file di output di una previsione batch con la colonna target di age:

{
  "instance": {
    "BPMeds": "0",
    "diabetes": "0",
    "diaBP": "65",
    "cigsPerDay": "45",
    "prevalentHyp": "hyp_0",
    "age": "46",
    "male": "1",
    "sysBP": "112.5",
    "glucose": "78",
    "BMI": "27.48",
    "TenYearCHD": "FALSE",
    "totChol": "209",
    "education": "high",
    "prevalentStroke": "stroke_0",
    "heartRate": "75",
    "currentSmoker": "current_high"
  },
  "prediction": {
    "value": 44.96103286743164,
    "lower_bound": 44.61349868774414,
    "upper_bound": 44.590206146240234
  }
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationRegressionOp con un modello tabulare:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Non obbligatorio per i modelli di regressione.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. Utilizza `prediction.value` per gli schemi non predefiniti.
`evaluation_class_labels`	Non obbligatorio per i modelli di regressione.

Previsione

Per i modelli di previsione tabulari, lo BatchPredictionJob richiede l'esclusione della colonna target (dati empirici reali) dal tuo set di dati.

Lo schema predefinito include i seguenti campi:

id: stringa
displayNames: stringa
type: enum
timeSegmentStart: stringa
timeSegmentEnd: stringa
confidence: numero in virgola mobile

Di seguito è riportato un esempio di file CSV con sale_dollars come colonna di destinazione:

date,store_name,city,zip_code,county,sale_dollars
2020-03-17,Thriftway,,,,774.08999999999992
2020-03-10,Thriftway,,,,1160.67
2020-03-03,Thriftway,,,,2247.24
2020-06-08,New Star / Fort Dodge,,,,753.98
2020-06-01,New Star / Fort Dodge,,,,967.73
2020-01-10,Casey's General Store #1280 / Fort Dodge,,,,1040.92
2020-10-30,KUM & GO #76 / ADAIR,Adair,50002,ADAIR,1387.02

Il componente TargetFieldDataRemoverOp rimuove il target colonna prima di inviare il file al server BatchPredictionJob componente:

date,store_name,city,zip_code,county
2020-03-17,Thriftway,nan,nan,nan
2020-03-10,Thriftway,nan,nan,nan
2020-03-03,Thriftway,nan,nan,nan
2020-06-08,New Star / Fort Dodge,nan,nan,nan
2020-06-01,New Star / Fort Dodge,nan,nan,nan
2020-01-10,Casey's General Store #1280 / Fort Dodge,nan,nan,nan
2020-10-30,KUM & GO #76 / ADAIR,Adair,50002.0,ADAIR

Di seguito è riportato un esempio di file di output di una previsione batch senza la colonna target di sale_dollars:

{
  "instance": {
    "content": "gs://kbn-us-central1-test/datasets/text/happy_11556.txt",
    "mimeType":"text/plain"
  },
  "prediction": {
    "ids":    ["7903916851837534208","3292230833410146304","986387824196452352","2139309328803299328","5598073842623840256","6750995347230687232","4559431178561519616"],
    "displayNames": ["affection","bonding","achievement","exercise","nature","enjoy_the_moment","leisure"],
    "confidences": [0.99483216,0.005162797,4.1117933E-6,3.9997E-7,2.4624453E-7,1.9969502E-7,1.16997434E-7]
  }
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationForecastingOp con un modello tabulare:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Non obbligatorio per i modelli di previsione.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. Utilizza `"prediction.value"` per gli schemi non predefiniti.
`evaluation_class_labels`	Non obbligatorio per i modelli di previsione.
`ground_truth_gcs_source`	Sì: il collegamento di Cloud Storage al set di dati originale con la colonna di destinazione.
`ground_truth_format`	Sì: il formato del set di dati originale. Ad esempio: `"jsonl"`, `"csv"` o `"bigquery"`.

Testo

Classificazione

Per i modelli di classificazione del testo, BatchPredictionJob richiede l'esclusione della colonna target (dati empirici reali) dal tuo set di dati. Puoi usare TargetFieldDataRemoverOp per un flusso di lavoro più efficiente.

Lo schema predefinito include i seguenti campi:

ids: array di stringhe
displayName: array di stringhe
confidence: array di numeri in virgola mobile

Di seguito è riportato un esempio di set di dati con label come colonna di destinazione:

{
  "content": "gs://kbn-us-central1-test/datasets/text/happy_0.txt",
  "mimeType": "text/plain",
  "label": "affection"
}

Il componente TargetFieldDataRemoverOp rimuove il target colonna prima di inviare il file al server BatchPredictionJob componente:

{
  "content": "gs://kbn-us-central1-test/datasets/text/happy_0.txt",
  "mimeType": "text/plain"
}

Di seguito è riportato un esempio di file di output di una previsione batch senza la colonna target di label:

{
  "instance": {
    "content": "gs://kbn-us-central1-test/datasets/text/happy_11556.txt",
    "mimeType":"text/plain"
  },
  "prediction": {
    "ids":    ["7903916851837534208","3292230833410146304","986387824196452352","2139309328803299328","5598073842623840256","6750995347230687232","4559431178561519616"],
    "displayNames": ["affection","bonding","achievement","exercise","nature","enjoy_the_moment","leisure"],
    "confidences": [0.99483216,0.005162797,4.1117933E-6,3.9997E-7,2.4624453E-7,1.9969502E-7,1.16997434E-7]
  }
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationClassificationOp con un modello di testo:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Non obbligatorio per lo schema predefinito. Utilizza `"prediction.displayNames"` per gli schemi non predefiniti.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. Utilizza `"prediction.confidences"` per gli schemi non predefiniti.
`evaluation_class_labels`	Non obbligatorio per lo schema predefinito o quando `prediction_label_column` fornito.
`ground_truth_gcs_source`	Sì: il collegamento di Cloud Storage al set di dati originale con la colonna di destinazione.
`ground_truth_format`	Sì: il formato del set di dati originale. Ad esempio: `"jsonl"`, `"csv"` o `"bigquery"`.

Video

Classificazione

Per i modelli di classificazione dei video, BatchPredictionJob richiede l'esclusione della colonna target (dati empirici reali) dal tuo set di dati. Puoi usare TargetFieldDataRemoverOp per un flusso di lavoro più efficiente.

Lo schema predefinito include i seguenti campi:

id: stringa
displayName: stringa
type: enum
timeSegmentStart: stringa
timeSegmentEnd: stringa
confidence: numero in virgola mobile

Di seguito è riportato un esempio di set di dati con ground_truth come colonna di destinazione:

{
  "content": "gs://automl-video-demo-data/hmdb51/Aerial_Cartwheel_Tutorial_By_Jujimufu_cartwheel_f_nm_np1_ri_med_0.avi",
  "ground_truth": "cartwheel",
  "timeSegmentStart": "0.0",
  "timeSegmentEnd": "inf"
}

Il componente TargetFieldDataRemoverOp rimuove il target colonna prima di inviare il file al server BatchPredictionJob componente:

{
  "content": "gs://automl-video-demo-data/hmdb51/Aerial_Cartwheel_Tutorial_By_Jujimufu_cartwheel_f_nm_np1_ri_med_0.avi",
  "timeSegmentStart": "0.0",
  "timeSegmentEnd": "inf"
}

Di seguito è riportato un esempio di file di output di una previsione batch senza la colonna target di label:

{
  "instance": {
    "content": "gs://automl-video-demo-data/hmdb51/20_Marine_Corps_Pull_Ups___JimmyDShea_pullup_f_cm_np1_ba_bad_3.avi"
    "mimeType": "video/avi",
    "timeSegmentStart": "0.0",
    "timeSegmentEnd": "inf"
  },
  "prediction": [
    {
      "id":"5015420640832782336",
      "displayName":"pullup",
      "type":"segment-classification",
      "timeSegmentStart":"0s",
      "timeSegmentEnd":"2.600s",
      "confidence":0.98152995
    },
    {
      "id":"2709577631619088384",
      "displayName":"cartwheel",
      "type":"segment-classification",
      "timeSegmentStart":"0s",
      "timeSegmentEnd":"2.600s",
      "confidence":0.0047166348
    },
    {
      "id":"403734622405394432",
      "displayName":"golf",
      "type":"segment-classification",
      "timeSegmentStart":"0s",
      "timeSegmentEnd":"2.600s",
      "confidence":0.0046260506
    },
    {
      "id":"1556656127012241408",
      "displayName":"ride_horse",
      "type":"segment-classification",
      "timeSegmentStart":"0s",
      "timeSegmentEnd":"2.600s",
      "confidence":0.004590442
    },
    {
      "id":"7321263650046476288",
      "displayName":"kick_ball",
      "type":"segment-classification",
      "timeSegmentStart":"0s",
      "timeSegmentEnd":"2.600s",
      "confidence":0.004536863
    }
  ]
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationClassificationOp con un modello video:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Non obbligatorio per lo schema predefinito. Utilizza `"prediction.displayName"` per gli schemi non predefiniti.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. Utilizza `"prediction.confidence"` per gli schemi non predefiniti.
`evaluation_class_labels`	Non obbligatorio quando viene utilizzato uno schema predefinito o quando `prediction_label_column` fornito.
`ground_truth_gcs_source`	Sì: il collegamento di Cloud Storage al set di dati originale con la colonna di destinazione.
`ground_truth_format`	Sì: il formato del set di dati originale. Ad esempio: `"jsonl"`, `"csv"` o `"bigquery"`.

Modelli con addestramento personalizzato

Per i modelli con addestramento personalizzato, il componente BatchPredictionJob richiede l'esclusione della colonna target (dati empirici reali) dal set di dati. Tu puoi utilizzare il componente TargetFieldDataRemoverOp per avere un flusso di lavoro efficiente.

L'esempio seguente mostra un file di output di una previsione batch e i parametri di input richiesti per un modello di classificazione tabulare con addestramento personalizzato:

Tabulare

Classificazione

Lo schema tipico include i seguenti campi:

instance: array di dati di input nello stesso ordine delle colonne del set di dati per l'addestramento del modello.
prediction: array di dati di input nello stesso ordine delle colonne del set di dati per l'addestramento del modello.

Di seguito è riportato un esempio di set di dati CSV con species come colonna di destinazione:

petal_length,petal_width,sepal_length,sepal_width,species
6.4,2.8,5.6,2.2,2
5.0,2.3,3.3,1.0,1
4.9,2.5,4.5,1.7,2
4.9,3.1,1.5,0.1,0

Il componente TargetFieldDataRemoverOp rimuove il target prima di inviare il file al componente della previsione batch:

petal_length,petal_width,sepal_length,sepal_width
6.4,2.8,5.6,2.2
5.0,2.3,3.3,1.0
4.9,2.5,4.5,1.7
4.9,3.1,1.5,0.1

Di seguito è riportato un esempio di file di output di una previsione batch senza la colonna target di species:

{
  "instance": [5.6, 2.5, 3.9, 1.1],
  "prediction": [0.0005816521588712931, 0.9989032745361328, 0.0005150380893610418]
}
{
  "instance": [5.0, 3.6, 1.4, 0.2],
  "prediction": [0.999255359172821, 0.000527293945197016, 0.00021737271163146943]
}
{
  "instance": [6.0, 2.9, 4.5, 1.5],
  "prediction": [0.00025063654175028205, 0.9994204044342041, 0.00032893591560423374]
}

In questa tabella vengono descritti i parametri richiesti per i campi ModelEvaluationClassificationOp con un modello video:

Parametro del componente valutazione	Obbligatorio
`target_field_name`	Sì
`prediction_label_column`	Il campo deve essere vuoto. questa colonna non esiste nei modelli con addestramento personalizzato.
`prediction_score_column`	Non obbligatorio per lo schema predefinito. viene impostato automaticamente per i formati `JSONL`, `CSV` o `BIGQUERY`.
`evaluation_class_labels`	Sì. Deve avere la stessa lunghezza dell'array di previsione di output.
`ground_truth_gcs_source`	Sì: il collegamento di Cloud Storage al set di dati originale con la colonna di destinazione.
`ground_truth_format`	Sì: il formato del set di dati originale. Ad esempio: `"jsonl"`, `"csv"` o `"bigquery"`.

Valutazioni di modelli senza previsioni batch generate da Vertex AI

Puoi utilizzare un componente della pipeline di valutazione del modello con una previsione batch che non hai generato in Vertex AI. Tuttavia, tieni presente che l'input per il componente della pipeline di valutazione del modello deve essere una directory di previsione batch contenenti file con i seguenti prefissi:

prediction.results-
explanation.results-
predictions_

Riferimento API

Per informazioni sui componenti, consulta Pagina di riferimento dell'SDK dei componenti della pipeline di Google Cloud per i componenti di valutazione del modello.
Per esempi di come utilizzare i componenti di valutazione del modello, consulta i blocchi note elencato in Creare una valutazione.

Cronologia delle versioni e note di rilascio

Per saperne di più sulla cronologia delle versioni e sulle modifiche all'SDK dei componenti della pipeline di Google Cloud, consulta le note di rilascio dell'SDK per i componenti della pipeline di Google Cloud.