Documentação do Oracle Cloud Infrastructure

Criando e Salvando um Modelo com a Console

Crie um modelo na Console e salve-o diretamente no catálogo de modelos.

Para documentar um modelo, você deve preparar os metadados antes de criá-los e salvá-los.

Essa tarefa envolve a criação de um modelo, a adição de metadados, a definição do ambiente de treinamento, a especificação de esquemas de previsões e o salvamento do modelo no catálogo de modelos.
Importante

  • Recomendamos que você crie e salve modelos no catálogo de modelos de forma programática, usando o ADS ou o OCI Python SDK.
  • Você pode usar o ADS para criar modelos grandes. Modelos grandes têm limitações de artefatos de até 400 GB.
  • Os modelos armazenados no catálogo de modelos também podem ser implantados usando a implantação de modelo.

Se você está salvando um modelo treinado em outro lugar ou deseja usar a Console, use estas etapas para salvar um modelo:

  1. Na página de modelos do serviço Data Science, crie um arquivo compactado zip de artefato do modelo em sua máquina local contendo os arquivos score.py e runtime.yaml (e qualquer outro arquivo necessário para executar seu modelo). Selecione Fazer download do zip do artefato da amostra para obter arquivos da amostra que você pode alterar para criar seu artefato do modelo. Se precisar de ajuda para localizar a lista de modelos, consulte Listando Modelos.
  2. Na página de lista Projetos, selecione o projeto que contém os modelos com os quais você deseja trabalhar. Se precisar de ajuda para localizar a página da lista ou o projeto, consulte Listando Projetos.
  3. Na página de detalhes do projeto, selecione Modelos.
  4. Na página de lista Modelos, selecione Criar modelo.
A página Criar modelo é aberta.

1. Informações Básicas

Faça upload ou faça referência ao artefato de modelo e forneça informações básicas de identificação.

  • Compartimento: Selecione o compartimento que conterá o modelo.
  • Nome (Opcional): Informe um nome exclusivo (limite de 255 caracteres). Caso você não forneça um nome, um nome é gerado automaticamente. Exemplo: model20200108222435
  • Descrição (Opcional): Informe uma descrição (limite de 400 caracteres) para o modelo.
  • Artefato de modelo: Selecione a opção relevante.
    • Fazer Upload do Artefato de Modelo: Faça upload do arquivo compactado de artefato de modelo (um arquivo zip) arrastando-o para a caixa.
    • Modelo por Referência
      • Compartimento
      • Bucket
      • Prefixo de nome de objeto (Opcional): Informe um prefixo de nome de objeto. O prefixo deve se referir ao diretório raiz dos artefatos de modelo. Ele consiste em todos os artefatos relacionados ao modelo, com score.py e runtime.yaml no primeiro nível dentro do prefixo.

2, Conjunto de versões de modelo

Selecione um conjunto de versões existente para o novo modelo ou crie um novo conjunto de versões para o novo modelo.

  • Selecionar de conjuntos de versões existentes
  • Criar modelo em um novo conjunto de versões
    • Compartimento: Selecione o compartimento para o conjunto de versões.
    • nome do conjunto de versões: Informe o nome do conjunto de versões. O nome deve ser exclusivo no compartimento.
    • Descrição (Opcional)
    • Opções avançadas (Opcional)
      • Nome do modelo
      • Label de versão
      • Tags
    • Rótulo da versão (Opcional)

    Consulte também Criando um Conjunto de Versões de Modelo.

3. Proveniência do modelo

  • Selecionar proveniência de modelo: Selecione a opção relevante para armazenar a documentação de taxonomia.
    • Sessão de notebook
    • Execução de job: Selecione a opção relevante e, em seguida, selecione a execução do job.
  • Localizar uma sessão de notebook / Localizar uma execução de job: Selecione a opção de pesquisa que você deseja usar e, em seguida, selecione a sessão de notebook ou a execução de job com a qual o modelo foi treinado.
    • Choose a project: Selecione o nome do projeto a ser usado no compartimento selecionado.

      O compartimento selecionado se aplica ao projeto e à sessão de notebook ou à execução de job, e ambos devem estar no mesmo compartimento. Caso contrário, procure pelo OCID. Você pode alterar o compartimento para a sessão do projeto e do notebook ou a execução do job.

    • Pesquisar por OCID: Se a sessão de notebook ou a execução de job estiver em um compartimento diferente do projeto, informe o OCID da sessão de notebook ou da execução de job no qual você treinou o modelo.
  • Código de treinamento (em Opções avançadas) (Opcional): Identifique informações de treinamento do Git e do modelo.
    • URL do repositório Git: O URL da biblioteca Git remota.
    • Ramificação Git: o nome da ramificação.
    • Confirmação do Git: O ID do commit do repositório do Git.
    • Diretório de modelo local: O caminho do diretório em que o artefato do modelo foi armazenado temporariamente. Pode ser um caminho em uma sessão de notebook ou um diretório de computador local, por exemplo.
    • Script de treinamento de modelo: O nome do script Python ou da sessão de notebook com o qual o modelo foi treinado.
    Dica

    Você também pode preencher metadados de proveniência de modelo ao salvar um modelo no catálogo de modelos usando os SDKs do OCI ou a CLI.

4. Taxonomia do Modelo

Opcionalmente, especifique o que o modelo faz, o framework de machine learning, os hiperparâmetros ou para criar metadados personalizados para documentar o modelo.

Importante

O tamanho máximo permitido para todos os metadados do modelo é de 32000 bytes. O tamanho é uma combinação da taxonomia de modelo predefinido e dos atributos personalizados.
  • Taxonomia do modelo de documento (Opcional)
    • Caso de uso: o tipo de caso de uso de aprendizado de máquina a ser usado.
    • Resultados do teste de artefato: a saída JSON dos resultados de teste de introspecção são executados no cliente. Esses testes são incluídos no código de texto padronizado do artefato de modelo. Você pode executá-los opcionalmente antes de salvar o modelo no catálogo de modelos.
    • Framework de modelo: A biblioteca Python usada para treinar o modelo.
    • Versão da estrutura do modelo: A versão da estrutura de aprendizado de máquina. Esse é um valor de texto livre. Por exemplo, o valor pode ser 2.3.
    • Algoritmo de modelo ou objeto do estimador de modelo: O algoritmo utilizado ou classe de instância do modelo. Esse é um valor de texto livre. Por exemplo, sklearn.ensemble.RandomForestRegressor poderia ser o valor.
    • Hiperparâmetros de modelo: Os hiperparâmetros do modelo no formato JSON.
  • Criar pares de label e atributo de valor personalizados (Opcional)
    • Label: O label de chave dos metadados personalizados.
    • Valor: O valor anexado à chave.
    • Categoria(Opcional): A categoria dos metadados de muitas opções, incluindo:
      • desempenho
      • perfil de treinamento
      • conjuntos de dados de treinamento e validação
      • ambiente de treinamento
      • outros

      Você pode usar a categoria para agrupar e filtrar metadados personalizados a serem exibidos na Console. Isso é útil quando você tem muitos metadados personalizados que deseja rastrear.

    • Descrição (Opcional): Informe uma descrição exclusiva dos metadados personalizados.
    • Pesquisar palavras-chave
  • Fazer upload de artefato de metadados (Opcional)
    Observação

    Você só pode fazer upload do arquivo de artefato quando o modelo é criado.
    • Nome do campo de metadados
    • Valor
    • Palavras-chave de pesquisa (Opcional): Informe palavras-chave de pesquisa para ajudar a localizar o artefato.

5. Esquema de entrada e saída do modelo

Como opção, documente as previsões do modelo. Você define os recursos de previsão de modelo que o modelo exige para fazer uma previsão bem-sucedida. Você também define esquemas de entrada e saída que descrevem as previsões retornadas pelo modelo (definidas no arquivo score.py com a função predict()).

Importante

Você somente pode documentar os esquemas dos dados de entrada e saída ao criar o modelo. Não é possível editar os esquemas após a criação do modelo. O tamanho máximo permitido do arquivo para os esquemas de entrada e saída combinados é de 32.000 bytes.
  • Fazer upload de um arquivo de esquema de entrada: Arraste o arquivo JSON do esquema de entrada para a caixa.
  • Fazer upload de um arquivo de esquema de saída: Arraste o arquivo JSON do esquema de saída para a caixa.

6. Backup e Retenção

Opcionalmente, configure backup e retenção.

  • Ativar Backup
    • Região
    • Notificações
  • Ativar retenção de modelo
    • Notificações
    • Regra de Arquivamento: Período de retenção automático em dias
    • Regra de Exclusão: Período de exclusão automática em dias após o arquivamento

Verificar e criar

Verifique a configuração e selecione Criar.