- Notes de publication
- Démarrage
- Notifications
- Projets
- Jeux de données
- Labellisation des données
- Paquets ML
- Paquets prêts à l’emploi
- Pipelines
- Compétences ML
- Journaux ML
- Document UnderstandingTM dans AI Center
- API AI Center
- Licences
- Modèles de solutions d'IA
- Comment
- Guide de dépannage de base
Pipelines
Cette section répertorie les erreurs fréquemment rencontrées liées aux pipelines.
Une exécution de pipeline échoue en raison d'un problème de paquet ML.
Une cause potentielle de cette erreur peut être une mauvaise version mineure choisie lors de l'exécution du pipeline.
Lors du déploiement d'un nouveau package, la seule version mineure disponible est la version 0. La raison en est qu’aucun pipeline n’a encore été exécuté sur ce package.
Pipelines d'entraînement
Si vous déployez un pipeline d'entraînement, nous vous recommandons fortement de toujours utiliser la version mineure 0.
Pipelines complets
Si vous déployez un pipeline complet, nous vous recommandons fortement de toujours utiliser la version mineure 0.
Pipelines d'évaluation
Les pipelines d'évaluation sont utilisés pour évaluer un modèle de ML entraîné. Vous pouvez l'exécuter sur n'importe quelle version du paquet ML pour obtenir les scores d'évaluation correspondants. Ceci est similaire à la notation ou à l'évaluation d'un modèle ML avec l'ensemble de données d'évaluation.
- Packages préentraînés (packages prêts à l'emploi) : étant donné que ces packages sont préentraînés, exécutez le pipeline d'évaluation sur la version mineure 0. Pour évaluer le modèle après l'entraînement à l'aide de données spécifiques, choisissez la version mineure que vous souhaitez évaluer (version entraînée)
- Document Understanding :
- Comme il s'agit de modèles génériques et réentraînables, ils doivent d'abord être entraînés. Exécutez un pipeline d'évaluation uniquement lorsque les modèles sont entraînés et qu'une nouvelle version mineure du package est disponible.
- Sélectionnez la version mineure la plus récente, ou toute autre version mineure (sauf 0), pour laquelle les scores d'évaluation peuvent être obtenus.
Le pipeline est arrêté de force automatiquement
Les pipelines sont automatiquement arrêtés de force après sept jours pour éviter d'être bloqués pendant de longues périodes et de consommer des licences. Suivez les recommandations ci-dessous.
- Activer le GPU.
- Appliquer des techniques d'optimisation des ensembles de données.
- Réduisez le nombre d'EPOCHS.
- En attente de licence
- En cours d'exécution
- Échec
- Arrêté de force
Consultez les sections ci-dessous pour plus de détails sur chaque statut.
- Activer le GPU
- Optimisez le jeu de données. Pour obtenir des informations détaillées sur les ensembles de données Document Understanding, consultez la page Entraîner des modèles hautement performants du guide Document Understanding.
- Ouvrez Automation Cloud™.
- Accédez à la page (Admin > Licenses).
- Vérifiez si les AI Unit correspondantes sont disponibles.
- Sélectionnez le pipeline bloqué.
-
Consultez la section Journaux (Logs ).
- Si les journaux sont récents et sont transmis en continu, le pipeline est en cours.
- Si le dernier journal a été généré il y a longtemps, téléchargez-le à l'aide du bouton Télécharger (Download) et partagez-le avec notre service d'assistance. Si le bouton de téléchargement n'est pas visible ou désactivé, copiez les journaux de la section Journaux (Logs) et partagez-les avec notre service d'assistance.
Si l'exécution du pipeline présente l'état Échec (Failed), vérifiez les raisons possibles ci-dessous.
Vérifiez que les données de type de document se trouvent dans le dossier de l'ensemble de données et suivent la structure du dossier
L'erreur suivante se produit :
Error: Document type data not valid, check that document type data is in dataset
folder and follows folder structure.
Le format du dossier fourni pour l'entraînement doit être au format de l'ensemble de données.
- Assurez-vous que l'ensemble de données fourni est correct.
- Assurez-vous que l'ensemble de données fourni est exporté à partir de Document Manager. Pour plus d'informations sur les ensembles de données liés à Document Understanding, consultez la page Exporter des documents du guide Document Understanding.
- En cas de pipelines planifiés pour la boucle de réentraînement automatique, sélectionnez le dossier contenant les exportations des sessions de labellisation de données et latest.txt.
Les images ou le répertoire n’existent pas ou sont vides pour le jeu de données de factures
L’exécution du pipeline échoue car le répertoire d’images n’existe pas/est vide pour l’ensemble de données de factures.
Le chemin de l’ensemble de données fourni pour l’ensemble de données d’entraînement ou l’ensemble de données d’évaluation est vide.
Pour résoudre ce problème, mettez à jour le chemin de l'ensemble de données à des fins d'évaluation ou d'entraînement, en fonction du pipeline.
Des nœuds non planifiables sont disponibles
Unschedulable 0/n nodes are available
, contactez notre service d'assistance avec les informations de votre locataire Automation Cloud™.
Il n'y a plus d'espace sur l'appareil
No space left on device
, contactez notre service d'assistance avec les informations de votre locataire Automation Cloud™.
Le statut Arrêté de force ( Killed ) s'affiche généralement lorsque le pipeline a été arrêté de force par l'utilisateur. Pour plus d'informations sur la gestion des pipelines, consultez la page Gestion des pipelines .
Si le statut du pipeline est Arrêté de force ( Killed ) sans aucune intervention de l'utilisateur, la raison la plus courante est que les pipelines sont automatiquement arrêtés de force après sept jours. Pour plus d'informations sur les statuts des pipelines, consultez la page À propos des pipelines ( About pipelines ).
Une exécution de pipeline échoue en raison de la structure de l'ensemble de données, des paramètres d'entrée, du chemin d'accès, des dossiers ou de l'ensemble de données d'évaluation.
L'erreur suivante se produit :
#Erreur : l'ensemble d'entraînement et/ou de test est vide, vérifiez que le fractionnement d'entraînement/test est correctement défini dans split.csv
Cette erreur est le plus souvent causée par un format d'ensemble de données incorrect ou un ratio incorrect d'entraînement et d'ensemble de validation dans split.csv. Consultez la page Ensemble de données d' entraînement (Training Dataset) pour obtenir des directives générales sur la création d'un ensemble de données d'entraînement.
L'erreur suivante se produit :
#Erreur : l'entraînement a échoué pour le type de pipeline : FULL_TRAINING, erreur : Les pipelines complets/d'évaluation nécessitent un ensemble de données d'évaluation. Veuillez relancer le pipeline fournissant un ensemble de données d’évaluation
Cette erreur se produit généralement lorsqu'un ensemble de données d'évaluation n'a pas été fourni. Consultez la page Ensemble de données d' entraînement (Training Dataset) pour obtenir des directives générales sur la création d'un ensemble de données d'entraînement.
Lors de l'exécution d'un pipeline, il peut parfois échouer en raison d'une erreur Licences insuffisantes (Insuffist Licenses) sur la page Données du pipeline (Pipeline Data) .
Cette erreur n'implique pas l'absence d'une licence réelle. Il signale plutôt que toutes les AI Units disponibles, que ce soit au niveau du locataire ou de l'organisation, ont été consommées.
Utilisez cette procédure pour les AI Units au niveau de l'organisation.
Utilisez cette procédure pour les AI Units au niveau du locataire.
- Échec du pipeline en raison d'un problème de paquet ML
- Choisir la bonne version mineure lors de l'exécution des pipelines
- Arrêt du pipeline forcé automatiquement
- Pipeline exécuté depuis trop longtemps
- EN ATTENTE DES LICENCES
- En cours d'exécution
- Échec
- Arrêté de force
- Les pipelines ont échoué en raison de problèmes d'ensembles de données
- Format d’ensemble de données incorrect
- Ensemble d'évaluation non fourni
- Le pipeline a échoué en raison d’une erreur de licences insuffisantes