Gestion des paquets ML

Importation de paquets ML

Important :

Avant de télécharger des packages, assurez-vous qu'ils sont construits comme spécifié ici.

Lors de la création d'un paquet ML dans AI Center™, il ne peut pas être nommé à l'aide d'un mot clé réservé python, tel que class , break , from , finally , global , None , etc. Assurez-vous pour choisir un autre nom. Les exemples répertoriés ne sont pas complets car le nom du package est utilisé pour class <pkg-name> et import <pck-name>.

Suivez ces étapes pour télécharger un package déjà créé :

1. Sur la page Paquets ML (Packages), cliquez sur le bouton Télécharger le fichier zip (Upload zip file). La page Créer un nouveau package (Create New Package) s'affiche.
2. Dans la page Créer un nouveau package, saisissez un nom pour votre package.
3. Cliquez sur Télécharger le package (Upload Package) pour sélectionner le .zip souhaité ou faites glisser et déposez le fichier .zip dans le champ Télécharger le package (Upload package).
4. (Facultatif) Fournissez une description claire du modèle.

   La description s'affiche lors du déploiement d'une nouvelle compétence basée sur ce modèle, ainsi que sur la page Paquets ML (ML Packages).

5. Sélectionnez le type d’entrée dans le menu déroulant. Les options possibles sont :
   • json
   • Fichier
   • Files
6. Facultatif : saisissez une description claire de l'entrée attendue par le modèle.
7. Facultatif : saisissez une description claire de la sortie renvoyée par le modèle.
   Ces descriptions sont visibles pour les développeurs RPA utilisant l'activité Compétence ML (ML Skill) dans UiPath Studio. Comme bonne pratique, nous avons recommandé de montrer un exemple des formats d'entrée et de sortie pour faciliter la communication entre les scientifiques des données et les développeurs.
8. Sélectionnez le langage de développement du modèle dans la liste déroulante. Les options possibles sont :
   • Python 3.6
   • Python 3.7
9. Sélectionnez si le modèle d'apprentissage automatique nécessite un GPU ; par défaut, il est défini sur No. Ces informations sont présentées comme une suggestion lorsqu'une compétence est créée à partir de ce package.
10. Sélectionnez si vous souhaitez activer l'entraînement pour votre modèle. Voici ce qui se passe si vous l'activez :
    • Le package peut être utilisé dans n’importe quel pipeline.
    • L'étape de validation vérifie si le fichier train.py est implémenté dans le package, sinon, la validation échoue.
      
      
      
      
11. Cliquez sur Créer (Create) pour télécharger le package ou sur Annuler (Cancel) pour abandonner le processus. La fenêtre Créer un nouveau package (Create New Package) se ferme et le package est téléchargé et affiché avec ses détails sur la page Packages ML > [Nom du paquet ML] (ML Packages > [ML Package Name]). La propagation de votre téléchargement peut prendre quelques minutes.
    
    

    

    
    

Validations des packages

Pour le service

Pour les modèles importés avec l'indicateur Activer la formation (Enable Training) inactif, lorsqu'un modèle est importé, AI Fabric valide le fichier .zip importé selon les exigences décrites ici. Les trois contrôles suivants sont effectués :

1. Un dossier racine non vide existe.
2. Un fichier requirements.txt existe.
3. Un fichier nommé main.py existe dans le dossier racine qui implémente une classe Principal (Main). La classe est ensuite validée pour implémenter les fonctions __init__ et predict.

La réussite ou l'échec ainsi que les erreurs qui l'ont causé sont affichés sur la page Journaux de ML (ML Logs).

Pour l'entraînement

Pour les modèles téléchargés ayant l'indicateur Activer la formation (Enable Training) actif, en plus de valider les exigences comme ci-dessus, AI Fabric valide également le fichier .zip téléchargé par rapport aux exigences décrites ici. Pour ces packages, les deux contrôles suivants sont effectués :

1. Un dossier racine non vide existe.
2. Un fichier nommé train.py existe dans le dossier racine qui implémente une classe Principal (Main). La classe est ensuite validée pour implémenter une fonction __init__ et les fonctions suivantes : train, evaluate et save.

La réussite ou l'échec ainsi que les erreurs qui l'ont causé sont affichés sur la page Journaux de ML (ML Logs).

Affichage des détails du paquet ML

Cliquez sur un package dans la liste pour accéder à sa page Paquet ML (ML Package) > [Nom du paquet ML].

Dans l'onglet Version, affichez ses détails : version du package, heure de création, journal des modifications, statut, et les arguments.

Dans l'onglet Exécutions du pipeline (Pipeline runs), affichez les détails liés aux exécutions du pipeline du package : nom du package, type, version, statut, heure de création, durée, score et détails supplémentaires.

Contrôle de version

AI Fabric prend également en charge le contrôle des versions et la gestion des versions des packages. Lorsqu'un package est téléchargé, il est affiché en tant que version 1.0 de ce package (nous disons que sa version majeure est 1 et la version mineure est 0). Cela permet de différencier les packages téléchargés par les utilisateurs et les packages recyclés via des pipelines, ces derniers ne changeant que leur version mineure.

Téléchargement de nouvelles versions de paquet ML

Suivez ces étapes pour télécharger une nouvelle version pour un package déjà téléchargé :

1. Dans la page Paquets ML (ML Packages), cliquez sur ⁝ à côté d'un package et sélectionnez l'option Télécharger une nouvelle version (Upload new version).

   Sinon, sur la page Paquet ML > [Nom du paquet ML], cliquez sur Télécharger une nouvelle version (Upload new version). La fenêtre Télécharger une nouvelle version de package pour (Upload New Package Version for) > [Nom du paquet ML] s'affiche, avec la plupart des champs pré-remplis avec les informations que vous avez fournies au moment où vous avez téléchargé ce package pour la première fois.

2. Cliquez sur Télécharger le package (Upload Package) pour sélectionner le fichier .zip souhaité, ou faites glisser et déposez le fichier au-dessus de ce champ.
3. (Facultatif) Mettez à jour les informations existantes dans les champs suivants :
   • Description de l'entrée
   • Description de la sortie
   • Langue
4. Facultatif : dans le champ ChangeLog (ChangeLog), saisissez ce qui a changé.
5. Sélectionnez si le modèle nécessite un GPU ; par défaut, il est défini sur No.
6. Sélectionnez si vous souhaitez activer l'entraînement pour votre modèle.
7. Cliquez sur Créer (Create) pour télécharger la nouvelle version du package téléchargé existant ou sur Annuler (Cancel) pour abandonner le processus. La fenêtre Télécharger le package (Upload Package) se ferme et la nouvelle version du package est téléchargée. La propagation de votre téléchargement peut prendre quelques minutes.
   
   

   

   
   

La nouvelle version du package n'est pas visible directement dans la page Paquets ML (ML Packages). Vous pouvez afficher ses informations sur la page Détails du paquet ML (ML Package Details) pour ce package.

Remarque : lorsqu'une nouvelle version est téléchargée sur un package existant, cela crée une nouvelle version majeure. Par exemple, si j'ai téléchargé mon premier package, ce téléchargement sera la version 1.0. Lorsque je télécharge une nouvelle version, cette version sera la 2.0.

Versions des paquets ML créées par les pipelines d'entraînement

Lorsqu'un pipeline d'entraînement ou un pipeline complet s'exécute avec succès sur une version de package, une nouvelle version mineure est créée. Par exemple, si j'ai téléchargé un package (version 1.0) et démarré un pipeline d'entraînement, la version 1.1 s'affiche une fois terminée dans la page Détails du paquet ML (ML Package Details) comme ci-dessous :

Affichage des arguments de package

Dans l'onglet Version de la page Paquet ML > [Nom du paquet ML] (ML Package > [ML Package Name]), cliquez sur l'icône d'information à côté d'une version de package. La fenêtre Arguments pour> [Nom du paquet ML] > [Version du paquet ML] (Arguments for > [ML Package Name] > [ML Package Version]) s'affiche.

Le type d'entrée et les descriptions d'entrée et de sortie de la version de package sélectionnée sont affichés. Veuillez noter que vous ne pouvez pas modifier les valeurs.

Suppression de packages de ML

Les packages ne peuvent être supprimés que s'ils ne sont déployés dans aucune compétence et qu'aucun pipeline n'est en cours d'exécution sur ces packages.

1. Dans la page Paquets ML (ML Packages), cliquez sur ⋮ à côté d'un package et sélectionnez l'option Supprimer les versions non déployées (Delete unemployed versions). Une boîte de dialogue de confirmation s'affiche.
2. Dans la fenêtre de confirmation, cliquez sur OK pour supprimer toutes les versions non déployées du package sélectionné. Si une version de package fait partie d'une compétence (elle est active), elle ne sera PAS supprimée. Si toutes les versions sont inactives, elles seront toutes supprimées.

OU

1. Dans l'onglet Version de la page Paquet ML > [Nom du paquet ML] (ML Package > [ML Package Name]), cliquez sur ⁝ à côté d'une version de package et sélectionnez Supprimer (Delete). Une boîte de dialogue de confirmation s'affiche.
2. Dans la fenêtre de confirmation, cliquez sur OK pour supprimer la version sélectionnée du package. Si une version de package fait partie d'une compétence (elle est active), elle ne sera PAS supprimée. S’il s’agit de la seule version du paquet sélectionné, le paquet lui-même sera également supprimé.