À propos des journaux ML

La page Journaux ML, accessible depuis le menu Journaux ML après avoir sélectionné un projet, est une vue consolidée de tous les événements liés au projet.

Événements de validation des paquets ML

Lorsqu'un modèle est importé, s'il n'est pas marqué comme Entraînable, AI Fabric valide le fichier .zip importé en fonction des exigences suivantes :

• Existence d'un dossier racine non vide portant le même nom que le fichier zippé.
• Un fichier requirements.txt existe.
• Existence d'un fichier nommé main.py implémentant une classe Main. La classe est ensuite validée pour implémenter les fonctions __init__ et predict.

Si le modèle est marqué comme Entraînable, AI Fabric valide le fichier .zip importé en fonction des exigences suivantes :

• Existence d'un dossier racine non vide portant le même nom que le fichier zippé.
• Un fichier requirements.txt existe.
• Existence d'un fichier nommé main.py implémentant une classe Main. La classe est ensuite validée pour implémenter les fonctions __init__ et predict.
• Un fichier nommé train.py implémentant une classe Main. La classe est ensuite validée pour implémenter une fonction __init__ ainsi que les fonctions train, evaluate et save.
• Veuillez noter qu'un fichier facultatif train_requirements.txt peut être ajouté ; son absence n'empêchera pas la validation.

Les journaux ML de cette catégorie donnent les heures de début et de fin de la validation, ainsi que les erreurs de validation réelles, le cas échéant.

Événements de pipeline

Lorsqu'un pipeline démarre ou échoue, il s'affiche ici.

Événements de déploiement de compétences ML

Lorsqu'une compétence est créée, AI Fabric la déploie. Cela implique l'installation de dépendances, l'exécution d'un certain nombre de contrôles de sécurité et d'optimisations, la configuration du réseau dans l'espace de noms du locataire, la création d'un conteneur contenant un certain nombre de réplicas du package correspondant, et enfin la vérification de l'intégrité de la compétence.

Les journaux ML de cette catégorie donnent les heures de début et de fin du déploiement, ainsi que les erreurs de déploiement réelles, le cas échéant.

Événements de prévisions de compétences ML

Lorsqu'une compétence en direct est utilisée, s'il y a un échec de prévision (une exception levée par le code Python), l'exception correspondante se trouvera sous ce composant.