Gestión de paquetes ML

Carga de paquetes ML

Importante:

Before uploading packages, make sure they are built as specified here.

Cuando se crea 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 listados no son 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: introduce una descripción clara de la entrada esperada por el modelo.

7. Opcional: introduce una descripción clara de la salida devuelta 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 3.6
   • Python 3.7

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.

    

Validaciones de paquete

Para el servicio

For models uploaded with the Enable Training flag inactive, when a model is uploaded, AI Fabric validates the uploaded .zip file against the requirements described here. The following three checks are performed:

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

For models uploaded with the Enable Training flag active, in addition to validating the requirements as above, AI Fabric also validates the uploaded .zip file against the requirements described here. For these packages the following two checks are performed:

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: versión de paquete, momento de creación, registro de cambios, estado y argumentos.

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 Fabric also supports versioning and version management of packages. When a package is uploaded, it's displayed as version 1.0 of that package (we say it's Major Version is 1, and Minor Version is 0). This helps with differentiating between packages uploaded by users, and packages retrained via pipelines, the latter only changing their minor version.

Cargar nuevas versiones de paquete ML

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

1. In the ML Packages page, click ⋮ next to a package and select the Upload new version option.

   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 siguientes campos:

   • Descripción de entrada
   • Descripción de salida
   • Idioma

4. Opcional: en el campo RegistroDeCambios , 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.

Nota:

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

In the ML Package > [ML Package Name] page Version tab, click the information icon next to a package version. The Arguments for > [ML Package Name] > [ML Package Version] window is displayed.

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.

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. In the ML Packages page, click ⋮ next to a package and select Delete undeployed versions. A confirmation window is displayed.
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. In the ML Package > [ML Package Name] page Version tab, click ⋮ next to a package version and select Delete. A confirmation window is displayed.
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.