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

  • Nous vous recommandons de créer et d'enregistrer des modèles dans le catalogue de modèles par programmation à la place, à l'aide d'ADS ou du kit SDK OCI Python.
  • Vous pouvez utiliser ADS pour créer des modèles volumineux. Les grands modèles ont des limitations d'artefacts allant jusqu'à 400 Go.
  • Les modèles stockés dans le catalogue de modèles peuvent également être déployés à l'aide d'un déploiement de modèle.

Si Vous enregistrez un modèle entraîné ailleurs ou que Vous voulez utiliser la console, procédez de la manière suivante pour enregistrer un modèle :

  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 le fichier ZIP de l'artefact échantillon pour obtenir des exemples de fichiers que vous pouvez changer pour créer l'artefact de modèle. Si vous avez besoin d'aide pour trouver la liste des modèles, reportez-vous à Liste des modèles.
  2. Sur la page de liste Projets, sélectionnez le projet contenant les modèles que vous souhaitez utiliser. Si vous avez besoin d'aide pour trouver la page de liste ou le projet, reportez-vous à la rubrique Liste des projets.
  3. Sur la page de détails du projet, sélectionnez Modèles.
  4. Sur la page de liste Modèles, sélectionnez Créer un modèle.
La page Créer un modèle s'ouvre.

1. Informations de base

Téléchargez ou référencez l'artefact de modèle et fournissez des informations d'identification de base.

  • Compartiment : sélectionnez le compartiment qui va contenir le modèle.
  • Nom (facultatif) : entrez un nom unique (limite de 255 caractères). 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.
    • Télécharger l'artefact de modèle : téléchargez l'archive d'artefact de modèle (fichier ZIP) en la faisant glisser dans la zone.
    • Modèle par référence
      • Compartiment
      • Catégorie
      • 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. Ensemble de versions du modèle

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

  • Sélectionner dans des ensembles de versions existants
  • Créer un modèle dans un nouvel ensemble de versions
    • Compartiment : sélectionnez le compartiment pour l'ensemble de versions.
    • Nom du jeu de versions : entrez le nom du jeu de versions. Le nom doit être unique au sein du compartiment.
    • Description : (facultatif)
    • Options avancées (facultatif)
      • Nom de modèle
      • Libellé de version
      • Balises
    • Libellé de version (facultatif)

    Reportez-vous également à Création d'un ensemble de versions de type.

3. Provenance du modèle

  • Sélectionner la provenance du modèle : sélectionnez l'option appropriée pour le stockage de la documentation de taxonomie.
    • Session de bloc-notes
    • Traitement de travail : sélectionnez l'option appropriée, puis le traitement de travail.
  • Rechercher une session de bloc-notes / Rechercher un traitement de travail : sélectionnez l'option de recherche à utiliser, puis sélectionnez la session de bloc-notes ou le traitement de travail avec lequel le modèle a été entraîné.
    • Choisir 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 bloc-notes ou au traitement de travail, et les deux doivent se trouver dans le même compartiment. Sinon, effectuez plutôt une recherche par OCID. Vous pouvez modifier le compartiment pour le projet et la session ou le traitement de travail de bloc-notes.

    • Rechercher par OCID : si la session de bloc-notes ou le traitement de travail se trouve dans un compartiment différent du projet, entrez l'OCID de session de bloc-notes ou de traitement de travail dans lequel vous avez entraîné le modèle.
  • Code de formation (sous Options avancées) (facultatif) : identifiez les informations d'entraînement Git et Model.
    • URL du référentiel Git : URL de ce référentiel distant.
    • Branche Git : nom de la branche.
    • Validation Git : ID de validation de référentiel Git.
    • 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 lequel le modèle a été entraîné.
    Conseil

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

4. Taxonomie de modèle

Indiquez éventuellement ce que fait le modèle, la structure d'apprentissage automatique, les hyperparamètres ou créez des métadonnées personnalisées pour 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.
  • Taxonomie de modèle de document (facultatif)
    • Cas d'emploi : type de cas d'emploi de l'apprentissage automatique à utiliser.
    • Résultats du test d'artefact : la sortie JSON des résultats du 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.
    • Structure de modèle : bibliothèque Python 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 de modèle ou objet d'estimateur de 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 du modèle : hyperparamètres du modèle au format JSON.
  • Créer des paires libellé-valeur personnalisées (facultatif)
    • Libellé : libellé de clé des métadonnées personnalisées.
    • Valeur : valeur attachée à la clé.
    • Catégorie(Facultatif) : catégorie des métadonnées provenant de nombreux choix, notamment :
      • 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.
    • Rechercher des mots-clés
  • Téléchargement de l'artefact de métadonnées vers le serveur (facultatif)
    Remarque

    Vous pouvez uniquement télécharger le fichier d'artefact vers le serveur lorsque le modèle est créé.
    • Nom de champ de métadonnées
    • Valeur
    • Mots-clés de recherche (facultatif) : saisissez des mots-clés de recherche pour faciliter la recherche de l'artefact.

5. Schéma d'entrée et de sortie de modèle

Documentez éventuellement les prédictions du modèle. Vous définissez les caractéristiques de prédiction de modèle dont le modèle a besoin pour une prédiction réussie. Vous définissez également des 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

Vous pouvez uniquement documenter les schémas d'entrée et d'entrée 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.
  • Télécharger un fichier du schéma d'entrée : faites glisser le fichier JSON du schéma d'entrée dans la zone.
  • Télécharger un fichier de schéma de sortie : faites glisser le fichier JSON de schéma de sortie vers la zone.

6. Sauvegarde et conservation

Vous pouvez éventuellement configurer la sauvegarde et la conservation.

  • Activer la sauvegarde
    • Région
    • Notifications
  • Activer la conservation de modèle
    • Notifications
    • Règle d'archivage : durée de conservation automatique en jours
    • Règle de suppression : Période de suppression automatique après archivage, en jours

Vérifier et créer

Vérifiez la configuration, puis sélectionnez Créer.