Documentation Oracle Cloud Infrastructure

Création et enregistrement d'un modèle avec 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 implique la création d'un modèle, l'ajout de métadonnées, la définition de l'environnement d'entraînement, la spécification de schémas de prédictions et l'enregistrement du modèle dans le catalogue de modèles.

Important

Si vous enregistrez un modèle entraîné ailleurs ou que vous voulez utiliser la console :

  1. Sur la page des modèles Data Science, créez une archive ZIP d'artefact de modèle sur l'ordinateur local contenant les fichiers score.py et runtime.yaml (et tous les autres fichiers nécessaires à l'exécution du modèle). Sélectionnez Télécharger l'artefact échantillon au format ZIP pour obtenir des exemples de fichier que vous pouvez modifier pour créer l'artefact de modèle. Si vous avez besoin d'aide pour trouver la liste des modèles, reportez-vous à la rubrique Liste des modèles.
  2. Sélectionnez Créer un modèle.
  3. Sélectionnez le compartiment qui va contenir le modèle.
  4. (Facultatif) Entrez un nom unique (limite de 255 caractères). Si vous n'indiquez aucun nom, un nom est généré automatiquement.

    Par exemple, model20200108222435.

  5. (Facultatif) Entrez une description (limite de 400 caractères) pour le modèle.
  6. Sélectionnez l'un des éléments suivants : Télécharger l'artefact de modèle vers le serveur ou Créer un modèle par référence.
  7. Si, à l'étape 6, vous avez sélectionné Télécharger l'artefact de modèle, dans la zone Télécharger l'artefact de modèle, sélectionnez Sélectionner pour télécharger l'archive d'artefact de modèle (fichier ZIP).
    1. Faites glisser le fichier ZIP dans la zone Télécharger un fichier d'artefact vers le serveur, puis sélectionnez Télécharger vers le serveur.
  8. Si, à l'étape 6, vous avez sélectionné Créer un modèle par référence :
    1. Sélectionnez un compartiment.
    2. Sélectionnez un bucket.
    3. (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.
  9. (Facultatif) Dans la zone Ensemble de versions de modèle, sélectionnez Sélectionner, puis configurer avec un ensemble de versions existant ou créer un ensemble.
  10. (Facultatif) Dans la zone Provenance du modèle, sélectionnez Sélectionner.
    1. Sélectionnez Session de bloc-notes ou Traitement de travail en fonction de l'emplacement où vous voulez stocker la documentation de taxonomie.
    2. Recherchez la session de bloc-notes ou l'exécution de travail avec laquelle le modèle a été entraîné à l'aide de l'une des options suivantes :
      Sélectionner un projet:

      Sélectionnez le nom du projet à utiliser dans le compartiment sélectionné.

      Le compartiment sélectionné s'applique au projet, à la session de bloc-notes ou à l'exécution de travail, qui doivent se trouver dans le même compartiment. Sinon, utilisez plutôt la recherche d'OCID.

      Vous pouvez modifier le compartiment pour le projet, la session de bloc-notes ou l'exécution de travail.

      Nom du projet à utiliser dans le compartiment sélectionné.

      Sélectionnez la session de bloc-notes ou le traitement de travail avec lequel le modèle a été entraîné.

      Recherche par OCID :

      Si la session de bloc-notes ou l'exécution de travail se trouve dans un compartiment différent du projet, entrez l'OCID de session de bloc-notes ou d'exécution de travail dans lequel vous avez entraîné le modèle.

    3. Sélectionnez la session de bloc-notes ou le traitement de travail avec lequel le modèle a été entraîné.
    4. (Facultatif) Sélectionnez Afficher les options avancées pour identifier les informations d'entraînement Git et de modèle.

      Entrez ou sélectionnez l'une des valeurs suivantes :

      URL de référentiel Git

      URL du référentiel Git distant.

      Validation de Git

      ID de validation du référentiel Git.

      Branchement Git

      Nom du branchement

      Répertoire de modèle local

      Chemin du répertoire dans lequel l'artefact de modèle a été temporairement stocké. Il peut s'agir d'un chemin dans une session de bloc-notes ou d'un répertoire d'ordinateur local, par exemple.

      Script d'entraînement de modèle

      Nom du script Python ou de la session de bloc-notes avec laquelle le modèle a été entraîné.

      Conseil

      Vous pouvez également indiquer les métadonnées de provenance de modèle lorsque vous enregistrez un modèle dans le catalogue de modèles à l'aide des kits SDK OCI ou de l'interface de ligne de commande.

    5. Sélectionnez Sélectionner.
  11. (Facultatif) Dans la zone Taxonomie de modèle, sélectionnez Sélectionner pour indiquer ce que fait le modèle, la structure d'apprentissage automatique, les hyperparamètres ou pour créer des métadonnées personnalisées afin de documenter le modèle.
    Important

    La taille maximale autorisée pour toutes les métadonnées de modèle est de 32000 octets. La taille est une combinaison de la taxonomie de modèle prédéfinie et des attributs personnalisés.

    1. Dans la section Taxonomie de modèle, ajoutez les libellés prédéfinis comme suit :

      Entrez ou sélectionnez les informations suivantes :

      Taxonomie de modèle
      Cas d'emploi

      Type de cas d'emploi de l'apprentissage automatique à utiliser.

      Structure de modèle

      La bibliothèque Python que vous avez utilisée pour entraîner le modèle.

      Version de la structure de modèle

      Version de la structure d'apprentissage automatique. Il s'agit d'une valeur de texte libre. Par exemple, la valeur peut être 2.3.

      Algorithme du modèle ou objet d'estimateur du modèle

      Algorithme utilisé ou classe d'instance de modèle. Il s'agit d'une valeur de texte libre. Exemple de valeur : sklearn.ensemble.RandomForestRegressor.

      Hyperparamètres de modèle

      Hyperparamètres du modèle au format JSON.

      Résultats de test de l'artefact

      La sortie JSON des résultats de test d'introspection est 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.

      Création de paires libellé-valeur personnalisées
      Intitulé

      Libellé de clé des métadonnées personnalisées

      Valeur

      Valeur attachée à la clé.

      Catégorie

      (Facultatif) Catégorie des métadonnées parmi plusieurs choix :

      • performances

      • Profil d'entraînement

      • Ensembles de données d'entraînement et de validation

      • Environnement d'entraînement

      • autres

      Vous pouvez utiliser la catégorie pour regrouper et filtrer les métadonnées personnalisées à afficher dans la console. Cela est utile lorsque vous disposez de nombreuses métadonnées personnalisées à suivre.

      Description

      (Facultatif) Entrez une description unique des métadonnées personnalisées.

    2. (Facultatif) Ajoutez un artefact :
      1. Sélectionnez le nom du champ de métadonnées.
      2. Entrez une valeur.
      3. (Facultatif) Entrez des mots-clés de recherche pour faciliter la recherche de l'artefact.
      4. Pour ajouter un autre artefact, sélectionnez l'attribut défini par +Add et répétez les étapes précédentes. Vous pouvez répéter cette étape jusqu'à ce que vous ayez 25 artefacts.
      Remarque

      Vous pouvez uniquement télécharger le fichier d'artefact vers le serveur lorsque le modèle est créé.
    3. Sélectionnez Sélectionner.
  12. (Facultatif) Sélectionnez Sélectionner dans la zone Documenter le schéma de données d'entrée et de sortie de modèle pour documenter les prédictions de modèle. Vous définissez les caractéristiques de prédiction de modèle dont le modèle a besoin pour une prédiction réussie. Vous définissez également les schémas d'entrée et de sortie qui décrivent les prédictions renvoyées par le modèle (définies dans le fichier score.py avec la fonction predict()).
    Important

    La taille de fichier maximale autorisée pour les schémas d'entrée et de sortie combinés est de 32 000 octets.

    1. Faites glisser le fichier JSON du schéma d'entrée dans la zone Télécharger un schéma d'entrée.
    2. Faites glisser le fichier JSON du schéma de sortie vers la zone Télécharger un schéma de sortie.
    3. Sélectionnez Sélectionner.
    Important

    Vous pouvez uniquement documenter les schémas de données d'entrée et de sortie lorsque vous créez le modèle. Vous ne pouvez pas modifier les schémas après la création du modèle.

  13. (Facultatif) Sélectionnez Afficher les options avancées pour ajouter des balises.
  14. (Facultatif) Dans la section Balises, ajoutez des balises au fichier resourceType. Si vous disposez des droits d'accès nécessaires pour créer une ressource, vous êtes également autorisé à lui appliquer des balises de format libre. Pour appliquer une balise définie, vous devez disposer des droits d'accès permettant d'utiliser l'espace de noms de balise. Pour plus d'informations sur le balisage, reportez-vous à Balises de ressource. Si vous n'êtes pas certain d'appliquer des balises, ignorez cette option ou demandez à un administrateur. Vous pouvez appliquer des balises ultérieurement.
  15. Sélectionnez Créer.
    Remarque

    Les modèles stockés dans le catalogue de modèles peuvent également être déployés à l'aide d'un déploiement de modèle.