- Versionshinweise
- Bevor Sie beginnen
- Erste Schritte
- Projekte
- Datasets
- ML-Pakete
- Pipelines
- ML-Skills
- ML-Protokolle
- Document Understanding im AI Center
- Anleitungen zu …
- Grundlegende Anleitung zur Fehlerbehebung
Verwenden von AI Center
Auf dieser Seite werden die Kernkonzepte aufgeführt, die im AI Center verwendet werden.
Ein Projekt ist eine isolierte Gruppe von Ressourcen (Datasets, Pipelines, Pakete, Fähigkeiten und Protokolle), die Sie zur Entwicklung einer spezifischen ML-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.
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.
