Journaux

Journaux de travaux

Vous pouvez intégrer les ressources des travaux au service Logging pour enregistrer les détails de traitement de travail dans un journal personnalisé.

Les sorties standard (stdout) et d'erreur standard (stderr) de l'artefact de travail sont capturées et rendues disponibles dans le journal personnalisé. Ces sorties ne sont pas disponibles pour le service Data Science. Nous vous recommandons vivement d'activer l'intégration de la journalisation pour les travaux, à la fois pour déboguer les problèmes potentiels et pour surveiller la progression de l'exécution des artefacts de travail.

Les messages de sortie standard sont classés sous le type "com.oraclecloud.datascience.jobrun.stdout", tandis que les messages d'erreur standard sont classés sous le type "com.oraclecloud.datascience.jobrun.stderr". Pour les deux types, les métadonnées de journal incluent "source", qui est l'OCID du traitement de travail qui génère les messages.

Lorsque l'intégration de la journalisation est activée dans les configurations de journalisation des travaux, vous pouvez effectuer les opérations suivantes :

• Fournir votre propre groupe de journaux et votre propre journal pour capturer les sorties de traitement de travail. Vous pouvez configurer tous les traitements de travail de sorte qu'ils utilisent le même journal, mais cette pratique n'est pas recommandée. Les messages de journal sont plus faciles à lire lorsque chaque traitement de travail génère des sorties dans son propre journal.

  Ou

• Fournir votre propre groupe de journaux, mais activer le service Data Science pour créer automatiquement des journaux personnalisés en votre nom au début de chaque traitement de travail dans le groupe de journaux indiqué. Si la création automatique de journaux est activée, vous n'avez pas besoin de configurer les journaux vous-même avant chaque traitement de travail. Le journal créé est nommé jobrun-<partial-jobrun-ocid>-logs, mais le nom peut être modifié si nécessaire. Cela n'a aucune incidence sur l'intégration de la journalisation au traitement de travail.

Quel que soit le type de configuration de journalisation, le principal de ressource de traitement de travail doit disposer de droits d'accès en écriture sur vos journaux personnalisés.

Journaux de déploiement de modèle

Lors de l'intégration de Logging pour les déploiements de modèle, les catégories de journaux d'accès et de prévision sont créées :

Journaux d'accès

La catégorie des journaux d'accès comprend des journaux personnalisés qui capturent des informations détaillées sur les demandes envoyées à l'adresse de modèle. Ces informations incluent l'heure de réception de la demande, les codes d'erreur, etc. Si vous rencontrez des problèmes avec votre déploiement de modèle, les journaux d'accès sont généralement les premiers journaux à consulter.

Les métadonnées capturées par les journaux d'accès de déploiement de modèle sont les suivantes :

logEmissionTime

Heure d'émission du journal à partir du code (format UTC).

message

Chemin de la demande.

modelLatency

Temps nécessaire au traitement d'une demande sur le serveur de modèle (en millisecondes).

opcRequestId

ID de la demande. Cette valeur est la valeur requestId extraite dans la réponse.

status

Code de statut de réponse à la demande.

Voici un exemple d'entrée de journal d'accès pour un déploiement de modèle :

"data": {
  "logEmissionTime": "2021-01-25T07:23:39.101Z",
  "message": "POST /predict 1.1",
  "modelLatency": 4.43,
  "opcRequestId": "0BC0860C17DC46D79A0A1A7B4F139829",
  "status": 200
}

Journaux de prédiction

Les journaux de prédiction proviennent des appels de journalisation (stdout et stderr) effectués par une exécution de code personnalisé dans les fichiers Python d'artefact de modèle. Les journaux de prédiction peuvent fournir des informations utiles sur le modèle et sont entièrement personnalisables. La configuration des journaux d'accès et de prédiction fait partie des actions de création et de modification.

Les métadonnées capturées par les journaux de prédiction de déploiement de modèle sont les suivantes :

MD_OCID

Valeur d'OCID de déploiement de modèle.

level

Niveau de journaliseur. Egalement appelé niveau de gravité du message de journal.

logEmissionTime

Heure d'émission du journal à partir du code (format UTC).

message

Message personnalisé émis à partir du code Python d'artefact de modèle.

name

Nom du journaliseur utilisé.

Voici un exemple d'entrée de journal de prédiction pour un déploiement de modèle :

"data": {
      "MD_OCID": "ocid1.datasciencemodeldeployment.oc1.iad.amaaaaaav66vvniauqakarfnyvn6gd2qt4fjpv2ffdnrthqyhqpapevmmh6a",
      "level": "ERROR",
      "logEmissionTime": "2021-01-27T08:43:04.029Z",
      "message": "exception :: name 'function' is not defined",
      "name": "root"
    },

Vous pouvez créer deux journaux distincts à des fins de prédiction et d'accès, ou utiliser le même journal pour les deux actions.