Documentation sur Oracle Cloud Infrastructure

Création et enregistrement d'un modèle à l'aide de la console

Créez un modèle dans la console et enregistrez-le directement dans le catalogue de modèles.

Pour documenter un modèle, vous devez préparer les métadonnées avant de le créer et de l'enregistrer.

Cette tâche consiste à créer un modèle, à ajouter des métadonnées, à définir l'environnement d'entraînement, à spécifier des schémas de prédiction et à enregistrer le modèle dans le catalogue de modèles.
Important

Si vous enregistrez un modèle entraîné ailleurs, ou si vous voulez utiliser la console, suivez ces étapes pour enregistrer un modèle :

  1. Dans la page des modèles du service Science des données, créez une archive zip d'artefact de modèle sur votre ordinateur local contenant les fichiers score.py et runtime.yaml (et tous les autres fichiers nécessaires pour exécuter votre modèle). Sélectionnez Télécharger le fichier zip d'exemple d'artefact pour obtenir les fichiers d'exemple que vous pouvez modifier pour créer votre artefact de modèle. Si vous avez besoin d'aide pour trouver la liste des modèles, voir Liste des modèles.
  2. Dans la page de liste Projets, sélectionnez le projet qui contient les modèles que vous voulez utiliser. Si vous avez besoin d'aide pour trouver la page de liste ou le projet, voir Liste des projets.
  3. Dans la page des détails du projet, sélectionnez Modèles.
  4. Dans la page de liste Modèles, sélectionnez Créer un modèle.
La page Créer un modèle s'ouvre.

1. Informations de base

Charger ou référencer l'artefact de modèle et fournir des informations d'identification de base.

  • Compartiment : Sélectionnez le compartiment qui doit contenir le modèle.
  • Nom (Facultatif) : Entrez un nom unique (255 caractères au maximum). Si vous n'indiquez pas de nom, un nom est automatiquement généré. Exemple : model20200108222435
  • Description (Facultatif) : Entrez une description (limite de 400 caractères) pour le modèle.
  • Artefact de modèle : Sélectionnez l'option appropriée.
    • Charger l'artefact de modèle : Chargez l'archive d'artefact de modèle (fichier zip) en le faisant glisser dans la zone.
    • Modèle par référence
      • Compartiment
      • Seau
      • Préfixe de nom d'objet (Facultatif) : Entrez un préfixe de nom d'objet. Le préfixe doit faire référence au répertoire racine des artefacts de modèle. Il se compose de tous les artefacts liés au modèle, avec score.py et runtime.yaml au premier niveau dans le préfixe.

2. Jeu de versions de modèle

Sélectionnez un jeu de versions existant pour le nouveau modèle ou créez un nouveau jeu de versions pour le nouveau modèle.

  • Sélectionner dans les jeux de versions existants
  • Créer un modèle dans un nouveau jeu de versions
    • Compartiment : Sélectionnez le compartiment du jeu de versions.
    • nom du jeu de versions : Entrez le nom du jeu de versions. Le nom doit être unique dans le compartiment.
    • Description (Facultatif)
    • Options avancées (Facultatif)
      • Nom de modèle
      • Étiquette de version
      • Marqueurs
    • Étiquette de version (Facultatif)

    Voir aussi Création d'un jeu de versions de modèle.

3. Provenance du modèle

  • Sélectionner la provenance du modèle : Sélectionnez l'option appropriée pour stocker la documentation sur la taxonomie.
    • Session de carnet
    • Exécution de travail : Sélectionnez l'option appropriée, puis sélectionnez l'exécution de travail.
  • Rechercher une session de carnet / Rechercher une exécution de travail : Sélectionnez l'option de recherche à utiliser, puis sélectionnez la session de carnet ou l'exécution de travail avec laquelle le modèle a été entraîné.
    • Sélectionner un projet : Sélectionnez le nom du projet à utiliser dans le compartiment sélectionné.

      Le compartiment sélectionné s'applique au projet et à la session de carnet ou à l'exécution de travail qui doivent se trouver tous les deux dans le même compartiment. Sinon, recherchez plutôt par OCID. Vous pouvez modifier le compartiment pour le projet et la session de carnet ou l'exécution de travail.

    • Rechercher par OCID : Si la session de carnet ou l'exécution de travail se trouve dans un compartiment différent de celui du projet, entrez l'OCID de la session de carnet ou de l'exécution de travail dans lequel vous avez entraîné le modèle.
  • Code de formation (sous Options avancées) (Facultatif) : Identifier Git et modéliser les informations d'entraînement.
    • URL du référentiel Git : URL du référentiel Git distant.
    • Branche Git : Nom de la branche.
    • Git commit : ID commit du référentiel Git.
    • Répertoire local du modèle : Chemin du répertoire où l'artefact de modèle a été stocké temporairement. Il peut s'agir d'un chemin dans une session de carnet ou d'un répertoire d'ordinateur local, par exemple.
    • Script d'entraînement de modèle : Nom du script Python ou de la session de carnet avec lequel le modèle a été entraîné.
    Conseil

    Vous pouvez également alimenter les métadonnées de provenance du modèle lorsque vous enregistrez ce dernier dans le catalogue à l'aide des trousses SDK d'OCI ou de l'interface de ligne de commande.

4. Taxonomie de modèle

Facultativement, spécifiez ce que fait le modèle, le cadre d'apprentissage automatique, les hyperparamètres ou pour créer des métadonnées personnalisées pour documenter le modèle.

Important

La taille maximale autorisée pour toutes les métadonnées du modèle est de 32000 octets. La taille est une combinaison de la taxonomie de modèle prédéfinie et des attributs personnalisés.
  • Taxonomie de modèle de document (Facultatif)
    • Cas d'utilisation : Type de cas d'utilisation de l'apprentissage automatique à utiliser.
    • Résultats des tests d'artefact : Sortie JSON des résultats des tests d'introspection exécutée côté client. Ces tests sont inclus dans le code standard de l'artefact de modèle. Vous pouvez éventuellement les exécuter avant d'enregistrer le modèle dans le catalogue de modèles.
    • Cadre de modèle : Bibliothèque Python utilisée pour entraîner le modèle.
    • Version du cadre de modèle : Version du cadre d'apprentissage automatique. Il s'agit d'une valeur de texte libre. Par exemple, la valeur pourrait être 2.3.
    • Algorithme de modèle ou objet d'évaluateur de modèle : Algorithme utilisé ou classe d'instance de modèle. Il s'agit d'une valeur de texte libre. Par exemple, la valeur pourrait être sklearn.ensemble.RandomForestRegressor.
    • Hyperparamètres de modèle : Hyperparamètres du modèle dans le format JSON.
  • Créer des paires d'attribut de valeur et de étiquette personnalisées (Facultatif)
    • Étiquette : Étiquette de clé des métadonnées personnalisées.
    • Valeur : Valeur associée à la clé.
    • Catégorie (Facultatif) : Catégorie des métadonnées à partir de nombreux choix, notamment :
      • performance
      • profil d'entraînement
      • jeux de données d'entraînement et de validation
      • environnement d'entraînement
      • autre

      Vous pouvez utiliser cette catégorie pour regrouper et filtrer les métadonnées personnalisées à afficher dans la console. Cela est utile lorsque vous souhaitez assurer le suivi de nombreuses métadonnées personnalisées.

    • Description (Facultatif) : Entrez une description unique des métadonnées personnalisées.
    • Rechercher des mots clés
  • Charger un artefact de métadonnées (Facultatif)
    Note

    Vous ne pouvez charger le fichier d'artefact que lorsque le modèle est créé.
    • Nom du champ de métadonnées
    • Valeur
    • Mots clés de recherche (Facultatif) : Entrez des mots clés de recherche pour faciliter la recherche de l'artefact.

5. Schéma d'entrée et de sortie du modèle

Au besoin, documentez les prédictions du modèle. Vous définissez les fonctions de prédiction de modèle dont le modèle a besoin pour réussir une prédiction. Vous définissez également des schémas d'entrée et de sortie qui décrivent les prévisions retournées par le modèle (définies dans le fichier score.py avec la fonction predict()).

Important

Vous pouvez documenter les schémas de données d'entrée et de sortie uniquement lorsque vous créez le modèle. Vous ne pouvez pas modifier les schémas après la création du modèle. La taille de fichier maximale autorisée pour les schémas d'entrée et de sortie combinés est de 32 000 octets.
  • Charger un fichier de schéma d'entrée : Faites glisser le fichier JSON du schéma d'entrée dans la zone.
  • Charger un fichier de schéma de sortie : Faites glisser le fichier JSON du schéma de sortie dans la zone.

6. Sauvegarde et conservation

Configurer la sauvegarde et la conservation (facultatif).

  • Activer la sauvegarde
    • Région
    • Avis
  • Activer la conservation des modèles
    • Avis
    • Règle d'archivage : Période de conservation automatique en jours
    • Règle de suppression : Période de suppression automatique en jours après l'archivage

Vérifier et créer

Vérifiez la configuration, puis sélectionnez Créer.