Gestión de paquetes ML

Nota:

A partir de la versión 2022.10, ya no es posible importar y exportar paquetes ML mediante scripts.

Consulta las secciones Importar paquete ML y Descargar paquetes ML para obtener más información sobre la importación y exportación de paquetes ML mediante la interfaz de usuario.

Carga de paquetes ML

Hay tres maneras de crear un paquete nuevo:

• Cargar archivo zip: utiliza esta opción cuando tengas un archivo zip preparado.
• Paquetes listos para usar: utiliza esta opción si deseas utilizar un paquete ML desarrollado por UiPath o por la comunidad de código abierto.
• Importar paquete ML: utiliza esta opción para importar un paquete que se haya exportado previamente desde UiPath AI Center ,
  Nota: Para acceder a la página Importar paquete ML, asegúrate de tener asignado el rol OOB_UPLOAD en el tenant. Para obtener más información, consulta Gestionar permisos a nivel tenant.

Cargar archivo zip

Importante:

Antes de cargar paquetes, asegúrate de que se crean como se especifica aquí.

Al crear un paquete ML en AI Center, no se puede nombrar utilizando ninguna palabra clave reservada de Python, como class, break, from, finally, global, None, etc. Asegúrate de elegir otro nombre. Los ejemplos enumerados no están completos, ya que el nombre del paquete se utiliza para class <pkg-name> y import <pck-name>.

Sigue estos pasos para cargar un paquete ya creado:

1. En la página Paquetes ML, haz clic en el botón Cargar archivo zip. Se mostrará así la página Crear nuevo paquete.
2. En la página Crear nuevo paquete, escribe un nombre para tu paquete.
3. Haz clic en Cargar paquete para seleccionar el archivo .zip deseado o arrastra y suelta el archivo .zip del paquete en el campo Cargar paquete.
4. (Opcional) Proporciona una descripción clara del modelo.

   La descripción se mostrará al implementar una nueva habilidad basada en este modelo, así como en la página Paquetes ML.

5. Selecciona el tipo de input en el menú desplegable. Las opciones son:
   • JSON
   • .xml
   • .csv
6. Opcional: Escribe una descripción clara de la entrada esperada por el modelo.
7. Opcional: Escribe una descripción clara del output mostrado por el modelo.
   Estas descripciones son visibles para los desarrolladores de RPA que utilicen la actividad de la habilidad ML en UiPath Studio. Como buena práctica, se recomienda mostrar un ejemplo de los formatos de input y output para facilitar la comunicación entre los científicos de datos y los desarrolladores.
8. Selecciona el lenguaje del desarrollo del modelo en el menú desplegable. Las opciones son:
   • Python 3.7
   • Python 3.8
   • Python 3.8 OpenCV
9. Selecciona si el modelo de aprendizaje automático requiere una GPU (de forma predeterminada se establece en No). Esta información emerge como sugerencia cuando se crea una habilidad a partir de este paquete.
10. Selecciona si habilitas el entrenamiento para tu modelo. Esto es lo que sucede si lo habilitas:
    • El paquete puede utilizarse en cualquier proceso.
    • El paso de validación comprueba si el archivo train.py se implementa en el paquete; de lo contrario, la validación falla.
11. Haz clic en Crear para cargar el paquete o en Cancelar para abortar el proceso. Se cerrará la ventana Crear nuevo paquete y el paquete se cargará y mostrará junto con sus detalles en la página Paquetes ML > [Nombre del paquete ML]. Puede tardar unos minutos antes de que tu carga se propague.

Importar paquete ML

Sigue estos pasos para cargar un paquete exportado desde UiPath® AI Center:

1. En la página Paquetes ML, haz clic en el botón Importar paquete ML. Aparecerá la página Importar paquete nuevo.
2. En el campo Cargar paquete, añade el archivo zip descargado utilizando el procedimiento Descargar paquetes ML.
3. En el campo Subir metadatos json, añade el archivo json descargado mediante el procedimiento anterior.
4. Haz clic en Crear.

Paquetes privados

• El paquete importado tendrá el mismo nombre que en el entorno de exportación, tomado del archivo de metadatos. Si ya existe un paquete con el mismo nombre, se comprobará el campo version de los metadatos. Si la versión es la misma, se creará una nueva versión menor. Por ejemplo, si importas un paquete llamado New Package, versión 7 y ya tienes un paquete con el mismo nombre, pero existe la versión 7.3, el nuevo paquete importado será la versión 7.4. Si no hay ninguna versión, el paquete creado tendrá la siguiente versión superior disponible.
• Si el nombre de los metadatos del paquete importado no existe en el entorno de destino, el nuevo nombre del paquete se crea en el entorno de destino.

Paquetes públicos

• El paquete importado tendrá el mismo nombre que en el entorno de exportación, tomado del archivo de metadatos. Si ya existe un paquete con el mismo nombre, el campo sourcePackageVersion de los metadatos se comprobará a continuación para la sourcePackageVersion en el entorno de destino. Después, se cargará la siguiente versión inferior. Asegúrate de cambiar la versión en el entorno de destino o el campo sourcePackageVersion en el archivo de metadatos por la versión disponible en el entorno de destino.

• Si el nombre de los metadatos del paquete importado no existe en el entorno de destino, el nuevo nombre del paquete se crea en el entorno de destino.

Validaciones de paquete

Para el servicio

Para los modelos cargados con la marca Habilitar entrenamiento inactiva, cuando se carga un modelo, AI Center valida el archivo .zip cargado según los requisitos descritos aquí. Se realizan las siguientes tres comprobaciones:

1. Existe una carpeta raíz no vacía.
2. Existe un archivo requirements.txt.
3. Existe un archivo llamado main.py en la carpeta raíz que implementa una clase de tipo Main. La clase se valida posteriormente para implementar una función __init__y una función predict.

En la página Registros ML se mostrará el éxito o el fracaso, junto con los errores que lo causó.

Para el entrenamiento

Para los modelos cargados con la marca Habilitar entrenamiento activa, además de validar los requisitos anteriores, AI Center valida también el archivo .zip cargado según los requisitos descritos aquí. Para estos paquetes, se realizan las siguientes dos comprobaciones:

1. Existe una carpeta raíz no vacía.
2. Existe un archivo llamado train.py en la carpeta raíz que implementa una clase de tipo Main. La clase se valida posteriormente para implementar una función __init__ y las siguientes funciones: train, evaluate, y save.

En la página Registros ML se mostrará el éxito o el fracaso, junto con los errores que lo causó.

Ver detalles de paquete ML

Haz clic en un paquete en la lista para ir a su página Paquete ML > [Nombre del paquete ML].

En la pestaña Versión, consulta sus detalles: la versión del paquete, el momento de su creación, el registro de cambios, el estado, si el entrenamiento está habilitado o no, si se habilita la GPU recomendada y los argumentos.

Puedes encontrar más información sobre cada entrada en la versión de los paquetes ML haciendo clic en el icono ⁝ y luego en Detalles. Se mostrará así un cuadro de diálogo con toda la información de la versión del paquete.

En la pestaña Ejecuciones del proceso, consulta los detalles relacionados con las ejecuciones del proceso del paquete: nombre del paquete, tipo, versión, estado, momento de creación, duración, puntuación y detalles adicionales.

Control de versión

AI Center también admite versiones y la gestión de versiones de paquetes. Cuando se carga un paquete, se mostrará como la versión 1.0 de ese paquete (decimos que la versión principal es la 1 y la versión secundaria es la 0). Esto ayuda a diferenciar entre paquetes cargados por usuarios y paquetes reentrenados a través de procesos; en estos últimos solo cambia su versión secundaria.

Cargar nuevas versiones de paquete ML

Sigue estos pasos para cargar una nueva versión para un paquete ya cargado:

1. En la página Paquetes ML, haz clic en ⁝ que se encuentra junto a un paquete y selecciona la opción Cargar nueva versión.

   Como alternativa, en la página Paquete ML > [Nombre del paquete ML], haz clic en Cargar nueva versión. Se mostrará así la ventana Cargar nueva versión del paquete para > [Nombre del paquete ML], y la mayoría de los campos se rellenarán previamente con la información que proporcionaste cuando cargaste ese paquete por primera vez.

2. Haz clic en Cargar paquete para seleccionar el archivo .zip deseado o arrastra y suelta el archivo sobre este campo.
3. Opcional: actualice la información existente en los campos siguientes.
   • Descripción de entrada
   • Descripción de salida
   • Idioma
4. Opcional: en el campo Cambiar Registro , introduce lo que ha cambiado.
5. Selecciona si el modelo requiere una GPU; de forma predeterminada se establece en No.
6. Selecciona si habilitas el entrenamiento para tu modelo.
7. Haz clic en Crear para cargar la nueva versión para el paquete cargado existente o en Cancelar para abortar el proceso. Se cerrará la ventana Cargar paquete y se cargará la nueva versión del paquete. Puede tardar unos minutos antes de que tu carga se propague.
   
   

   

   
   

La nueva versión del paquete no es visible directamente en la página Paquetes ML. Puedes ver su información dentro de la página Detalles del paquete ML para ese paquete.

Aviso: Cuando se carga una nueva versión en un paquete existente, se crea una nueva versión principal. Por ejemplo, si he cargado mi primer paquete, esa carga será la versión 1.0. Cuando cargue una nueva versión, esa versión será la 2.0.

Versiones de paquete ML creadas por procesos de entrenamiento

Cuando un proceso de entrenamiento o un proceso completo se ejecuta con éxito en una versión de paquete, se crea una nueva versión secundaria. Por ejemplo, si he cargado un paquete (versión 1.0) e inicio un proceso de entrenamiento, se mostrará la versión 1.1 después de completarse en la página Detalles del paquete ML de la siguiente manera:

Ver argumentos de paquete

En la página Paquete ML > [Nombre del paquete ML], desde la pestaña Versión, haz clic en el icono de información situado junto a la versión de un paquete. Se mostrará la ventana Argumentos para > [Nombre del paquete ML] > [Versión del paquete ML].

Se muestra el tipo de input y las descripciones de input y output de la versión del paquete seleccionada. Ten en cuenta que no se pueden editar los valores.

Descarga de paquetes ML

Puedes exportar un paquete ya creado e importarlo en el mismo entorno o en otro distinto.

Nota: Las versiones base de los modelos basados en Docker no se pueden descargar, ya que no hay archivo ZIP disponible. Una vez que se entrena el modelo basado en Docker, la versión entrenada tendrá un archivo ZIP disponible.

Sigue estos pasos para descargar un paquete ya creado:

1. En la página Paquetes ML, selecciona un paquete ya creado de la lista.
2. En la pestaña Versión, haz clic en el icono ⁝ del paquete.
3. Haz clic en Descargar.

Tras hacer clic en Descargar, se descargarán dos archivos:

• Un archivo zip que contiene el paquete.
• Un archivo json que contiene los metadatos del paquete, como su nombre, versión y otro tipo de información. Esta información es necesaria para asignar el paquete descargado al correcto en el nuevo entorno.

Eliminar paquetes ML

Los paquetes solo pueden eliminarse si no se implementan dentro de una habilidad y no se están ejecutando procesos en esos paquetes.

1. En la página Paquetes ML, haz clic en ⁝ que se encuentra junto a un paquete y selecciona Eliminar versiones no implementadas. Se mostrará una ventana de confirmación.
2. En la ventana de confirmación, haz clic en Aceptar para eliminar todas las versiones no implementadas del paquete seleccionado. Si una versión de un paquete forma parte de una habilidad (está activa) esta NO se borrará. Si todas las versiones están inactivas, se eliminan todas.

O

1. En la página Paquete ML > [Nombre del paquete ML], dentro de la pestaña Versión, haz clic en ⁝ junto a la versión de un paquete y selecciona Eliminar. Se mostrará una ventana de confirmación.
2. En la ventana de confirmación, haz clic en Aceptar para eliminar la versión seleccionada del paquete. Si una versión de un paquete forma parte de una habilidad (está activa) esta NO se borrará. Si esta es la única versión para el paquete seleccionado, el propio paquete también se eliminará.