Sobre os logs de ML

A página Logs de ML, acessível a partir do menu Logs de ML após selecionar um projeto, é uma visualização consolidada de todos os eventos relacionados ao projeto.

Esses eventos se enquadram nas seguintes categorias:

• Eventos de validação do pacote de ML
• Eventos de conjunto de dados
• Eventos do pipeline
• Eventos da implantação da ML Skill
• Eventos de previsões da ML Skill

Eventos de validação do pacote de ML

Quando um modelo é carregado, se o modelo não estiver marcado como Treinável, o UiPath® AI Center validará o arquivo .zip carregado em relação aos seguintes requisitos:

• Existe uma pasta raiz não vazia com o mesmo nome do arquivo zip.
• Existe um arquivo requirements.txt.
• Existe um arquivo chamado main.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função predict e uma função __init__ .

Se o modelo estiver marcado como Treinável, o AI Center validará o arquivo .zip carregado em relação aos seguintes requisitos:

• Existe uma pasta raiz não vazia com o mesmo nome do arquivo zip.
• Existe um arquivo requirements.txt.
• Existe um arquivo chamado main.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função predict e uma função __init__ .
• Um arquivo chamado train.py, que implementa uma classe Main. A classe é validada adicionalmente para implementar uma função __init__, assim como as funções train, evaluate e save.
• Observe que um arquivo train_requirements.txt opcional pode ser adicionado; se não estiver incluído, a validação ainda será aprovada.

Os logs de ML para essa categoria ilustram os tempos inicial e final da validação e os erros reais da validação, se houver.

Eventos de conjunto de dados

Quando um conjunto de dados é criado, atualizado ou excluído, ele é exibido na página Logs de ML.

Eventos do pipeline

Quando um pipeline é iniciado ou falha, ele é exibido aqui.

Eventos da implantação da ML Skill

Quando uma habilidade é criada, o AI Center a implanta. Isso acarreta instalar dependências, executar uma série de verificações e otimizações de segurança, configurar a rede no namespace do tenant, criar um contêiner com um determinado número de réplicas do pacote correspondente e, finalmente, verificar a integridade da habilidade.

Os logs de ML para essa categoria ilustram os tempos inicial e final da implantação e os erros reais da implantação, se houver.

Observação: se o usuário estiver system nos logs de ML, isso significa que a habilidade foi desimplantada automaticamente devido à inatividade.

Eventos de previsões da ML Skill

Quando uma habilidade ao vivo está servindo, se houver uma falha de previsão (uma exceção lançada pelo código do Python), a exceção correspondente estará sob esse componente.