- Notes de publication
- Avant de commencer
- Démarrage
- Installation d'AI Center
- Migration et mise à niveau
- 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
- Comment
- Licences
- Guide de dépannage de base
Utiliser AI Center
Cette page répertorie les concepts de base utilisés dans UiPath® AI Center.
Vous pouvez trouver des informations générales relatives à votre profil en cliquant sur le bouton à trois points et en sélectionnant Afficher le profil dans le menu déroulant.
Dans la section Général , vous pouvez trouver les informations suivantes :
- Nom du compte
- ID de compte
- Nom de locataire
- ID de locataire
- Nom
- Nom de famille (Surname)
- E-mail (Email)
Dans la section Autorisations , vous vérifiez les autorisations associées à votre profil.
Un projet est un groupe isolé de ressources (ensemble de données, pipelines, packages, compétences et journaux) que vous pouvez utiliser pour permettre la création d'une solution ML spécifique à différentes automatisations professionnelles.
Un paquet ML est un groupe de versions de package du même type de package. Considérez-le comme un dossier contenant des versions de package du même type. Une version de package est un modèle entraîné que vous pouvez déployer sur une compétence afin de l'intégrer dans un workflow RPA.
Un ensemble de données est un dossier de stockage contenant des fichiers et sous-dossiers arbitraires. Un modèle est entraîné sur un ensemble de données.
La labellisation des données vous permet de télécharger des données brutes, d'annoter des données textuelles dans l'outil de labellisation (pour la classification ou la reconnaissance d'entités) et d'utiliser les données labellisées pour entraîner des modèles ML. Il est également utilisé par le réviseur humain pour réétiqueter les prédictions incorrectes dans le cadre du processus de rétroaction. Cette fonctionnalité intègre le workflow complet de création de modèles de texte dans AI Center, sans avoir besoin d’outils et d’intégrations tiers.
Les pipelines représentent les différentes actions que vous pouvez effectuer sur les packages ou les versions de package.
Il représente une description d'un workflow ML, y compris toutes les fonctions du workflow et leur ordre d'exécution. Le pipeline comprend la définition des entrées requises pour son exécution et des sorties obtenues depuis celui-ci.
Une exécution de pipeline est l'exécution d'un pipeline basée sur le code fourni par l'utilisateur. Ce code est l'endroit où les fonctions appelées dans le pipeline sont réellement implémentées.
Il existe trois types de pipelines :
- Pipeline d'entraînement (Training Pipeline) : prend pour entrée un package et un ensemble de données, et produit une nouvelle version de package.
- Pipeline d'évaluation (Evaluation Pipeline) : prend pour entrée une version de package et un ensemble de données, et produit un ensemble de mesures et de journaux.
- Pipeline complet (Full Pipeline) : exécute un pipeline d'entraînement, immédiatement suivi d'un pipeline d'évaluation.
Une compétence ML est un déploiement en direct d'une version de package, elle peut être utilisée dans un workflow RPA simplement en glissant-déposant une activité de compétence ML dans UiPath Studio.
Les journaux ML sont une représentation synthétisée de tous les événements liés à un projet.
Un utilisateur crée un projet, télécharge un package formé (ou sélectionne l'un des packages fournis) et le déploie en tant que compétence.
Un développeur RPA peut désormais faire glisser et déposer une activité pour utiliser le modèle en production.
Un utilisateur crée un projet et télécharge un dossier contenant des données dans un ensemble de données. Ensuite, l'utilisateur télécharge un package qui n'a pas encore été formé, exécute un pipeline d'entraînement qui génère un modèle formé et déploie enfin le modèle formé en tant que compétence.
Un développeur RPA peut ensuite faire glisser et déposer une activité pour utiliser le modèle en production. De plus, le développeur RPA peut désormais renvoyer de nouvelles données labellisées vers l'ensemble de données créé pour que le modèle soit continuellement recyclé.
