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.

ML-Paketvalidierungsereignisse

Wenn ein Modell hochgeladen wird und das Modell nicht als trainierbar markiert ist, überprüft AI Center die hochgeladene .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 eine predict-Funktion zu implementieren.

Wenn das Modell als trainierbar markiert ist, überprüft AI Center die hochgeladene .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 eine predict-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 Funktionen train, evaluate und save 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.

Pipeline-Ereignisse

Wenn eine Pipeline startet oder fehlschlägt, wird sie hier angezeigt.

Bereitstellungsereignisse für ML-Fähigkeiten

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.

ML-Fähigkeit vorhersehbare Ereignisse

Wenn eine Live-Fähigkeit ausgegeben wird, wenn ein Vorhersagefehler vorliegt – eine Ausnahme, die vom Python-Code ausgelöst wird, befindet sich die entsprechende Ausnahme unter dieser Komponente.