- Versionshinweise
- Bevor Sie beginnen
- Erste Schritte
- Installieren von AI Center
- Migration und Upgrade
- Projekte
- Datasets
- Data Labeling
- ML-Pakete
- Sofort einsetzbare Pakete
- Pipelines
- ML-Skills
- ML-Protokolle
- Document UnderstandingTM im AI Center
- Anleitungen zu …
- Lizenzierung
- Grundlegende Anleitung zur Fehlerbehebung
Verwenden von AI Center
Auf dieser Seite werden die Kernkonzepte aufgeführt, die in UiPath® AI Center verwendet werden.
Sie finden allgemeine Informationen im Zusammenhang mit Ihrem Profil, indem Sie auf die Schaltfläche mit den drei Punkten klicken und im Dropdownmenü Profil anzeigen auswählen.
Im Abschnitt Allgemein (General ) finden Sie die folgenden Informationen:
- Kontoname
- Konto-ID
- Name des Mandanten
- ID des Mandanten
- Name
- Nachname
Im Abschnitt Berechtigungen überprüfen Sie die Berechtigungen, die Ihrem Profil zugeordnet sind.
Ein Projekt ist eine isolierte Gruppe von Ressourcen (Datasets, Pipelines, Pakete, Fähigkeiten und Protokolle), die Sie zur Entwicklung einer spezifischen Lösung für unterschiedliche Geschäftsautomatisierungen verwenden können.
Ein ML-Paket ist eine Gruppe von Paketversionen desselben Pakettyps. Stellen Sie es sich als einen Ordner vor, in dem Paketversionen desselben Typs enthalten sind. Eine Paketversion ist ein trainiertes Modell, das Sie einer Fähigkeit bereitstellen können, um sie in einen RPA-Workflow zu integrieren.
Ein Dataset ist ein Ordner mit Speicher, der beliebige Dateien und Unterordner enthält. Ein Modell wird für ein Dataset trainiert.
Mit der Datenbeschriftung können Sie Rohdaten hochladen, Textdaten im Beschriftungstool mit Anmerkungen versehen (zur Klassifizierung oder Entitätserkennung) und die beschrifteten Daten zum Trainieren von ML-Modellen verwenden. Es wird auch vom menschlichen Prüfer verwendet, um falsche Vorhersagen im Rahmen des Feedbackprozesses neu zu benennen. Diese Funktion bringt den vollständigen Workflow zum Erstellen von Textmodellen in das AI Center, ohne dass Tools und Integrationen von Drittanbietern erforderlich sind.
Pipelines stellen die verschiedenen Aktionen dar, die Sie für Pakete oder Paketversionen ausführen können.
Eine Pipeline stellt eine Beschreibung eines ML-Workflows dar, einschließlich aller Funktionen im Workflow und deren Ausführungsreihenfolge. Die Pipeline enthält die Definition der Eingaben, die zum Ausführen der Pipeline erforderlich sind, sowie die von ihr empfangenen Ausgaben.
Eine Pipelineausführung ist eine Ausführung einer Pipeline, basierend auf einem vom Benutzer zur Verfügung gestellten Code. In diesem Code werden die in der Pipeline aufgerufenen Funktionen tatsächlich implementiert.
Es gibt drei Arten von Pipelines:
- Trainingspipeline – Nimmt als Eingabe ein Paket und ein Dataset und erzeugt eine neue Paketversion.
- Auswertungspipeline – Nimmt als Eingabe eine Paketversion und ein Dataset und erzeugt eine Reihe von Metriken und Protokollen.
- Vollständige Pipeline – Führt eine Trainingspipeline und unmittelbar danach eine Auswertungspipeline aus.
Eine ML-Fähigkeit ist eine Live-Bereitstellung einer Paketversion. Sie kann in einem RPA-Workflow einfach durch Ziehen und Ablegen einer ML-Fähigkeiten-Aktivität in UiPath Studio verwendet werden.
ML-Protokolle sind eine konsolidierte Ansicht aller Ereignisse im Zusammenhang mit einem Projekt.
Ein Benutzer erstellt ein Projekt, lädt ein trainiertes Paket hoch (oder wählt eines der bereitgestellten Pakete aus) und stellt es als Fähigkeit bereit.
Ein RPA-Entwickler kann nun eine Aktivität ziehen und ablegen, um das Modell in der Produktion zu verwenden.
Ein Benutzer erstellt ein Projekt und lädt einen Ordner mit Daten in ein Dataset hoch. Dann lädt der Benutzer ein Paket hoch, das noch trainiert werden muss, führt eine Trainingspipeline aus, die ein trainiertes Modell ausgibt, und schließlich stellt er das trainierte Modell als Fähigkeit bereit.
Ein RPA-Entwickler kann dann eine Aktivität ziehen und ablegen, um das Modell in der Produktion zu verwenden. Darüber hinaus kann der RPA-Entwickler jetzt neue beschriftete Daten zurück an das erstellte Dataset senden, damit das Modell kontinuierlich erneut trainiert wird.
