- Versionshinweise
- Erste Schritte
- Benachrichtigungen
- Projekte
- Datasets
- Data Labeling
- ML-Pakete
- Sofort einsetzbare Pakete
- Pipelines
- ML-Skills
- ML-Protokolle
- Über ML-Protokolle
- Document UnderstandingTM im AI Center
- AI Center-API
- Lizenzierung
- Vorlagen für AI Solutions
- Anleitungen zu …
- Grundlegende Anleitung zur Fehlerbehebung
Über ML-Protokolle
Die Seite ML-Protokolle, auf die nach der Auswahl eines Projekts über das Menü ML-Protokolle zugegriffen werden kann, ist eine konsolidierte Ansicht aller Ereignisse im Zusammenhang mit dem Projekt.
Diese Ereignisse fallen in die folgenden Kategorien:
- ML-Paketvalidierungsereignisse
- Dataset-Ereignisse
- Pipeline-Ereignisse
- Bereitstellungsereignisse für ML-Fähigkeiten
- ML-Fähigkeit vorhersehbare Ereignisse
.zip
-Datei anhand der folgenden Anforderungen:
- Ein nicht leerer Stammordner mit demselben Namen wie die ZIP-Datei ist vorhanden.
- Eine requirements.txt-Datei ist vorhanden.
- Eine Datei mit dem Namen main.py, die eine Klasse Main implementiert, ist vorhanden. Die Klasse wird weiter validiert, um eine
__init__
- und einepredict
-Funktion zu implementieren.
.zip
-Datei anhand der folgenden Anforderungen:
- Ein nicht leerer Stammordner mit demselben Namen wie die ZIP-Datei ist vorhanden.
- Eine requirements.txt-Datei ist vorhanden.
- Eine Datei mit dem Namen main.py, die eine Klasse Main implementiert, ist vorhanden. Die Klasse wird weiter validiert, um eine
__init__
- und einepredict
-Funktion zu implementieren. - Eine Datei mit dem Namen train.py, die eine Klasse Main implementiert. Die Klasse wird weiter validiert, um eine
__init__
-Funktion sowie die Funktionentrain
,evaluate
undsave
zu implementieren. - Beachten Sie, dass eine optionale train_requirements.txt-Datei hinzugefügt werden kann; wenn nicht enthalten, wird die Validierung weiterhin ausgeführt.
ML-Protokolle für diese Kategorie veranschaulichen Validierungsstart- und Endzeiten und ggf. die tatsächlichen Validierungsfehler.
Wenn ein Dataset erstellt, aktualisiert oder gelöscht wird, wird es auf der Seite ML-Protokolle angezeigt.
Wenn eine Fähigkeit erstellt wird, stellt sie das AI Center bereit. Dazu gehören die Installation von Abhängigkeiten, das Ausführen einer Reihe von Sicherheitsüberprüfungen und -optimierungen, das Einrichten des Netzwerks im Namespace des Mandanten, das Erstellen eines Containers mit einer bestimmten Anzahl von Replikaten aus dem entsprechenden Paket und schließlich die Überprüfung des Zustands der Fähigkeit.
ML-Protokolle für diese Kategorie veranschaulichen Bereitstellungsstart- und -fertigstellungszeiten und ggf. die tatsächlichen Bereitstellungsfehler.
system
ist, bedeutet dies, dass die Bereitstellung der Fähigkeit aufgrund von Inaktivität automatisch aufgehoben wurde.