Vertex AI Model Monitoring per le inferenze batch

Console

Segui le istruzioni per effettuare una richiesta di inferenza batch con Model Monitoring abilitato:

• Classificazione e regressione tabulare AutoML

• Previsione AutoML tabulare

• Addestramento personalizzato tabulare

API REST

Segui le istruzioni per effettuare una richiesta di inferenza batch utilizzando l'API REST:

• Classificazione e regressione tabulare AutoML

• Previsione AutoML tabulare

• Addestramento personalizzato tabulare

Quando crei la richiesta di inferenza batch, aggiungi la seguente configurazione di Model Monitoring al corpo JSON della richiesta:

"modelMonitoringConfig": {
 "alertConfig": {
   "emailAlertConfig": {
     "userEmails": "EMAIL_ADDRESS"
   },
  "notificationChannels": [NOTIFICATION_CHANNELS]
 },
 "objectiveConfigs": [
   {
     "trainingDataset": {
       "dataFormat": "csv",
       "gcsSource": {
         "uris": [
           "TRAINING_DATASET"
         ]
       }
     },
     "trainingPredictionSkewDetectionConfig": {
       "skewThresholds": {
         "FEATURE_1": {
           "value": VALUE_1
         },
         "FEATURE_2": {
           "value": VALUE_2
         }
       }
     }
   }
 ]
}

dove:

• EMAIL_ADDRESS è l'indirizzo email a cui vuoi ricevere gli avvisi di Model Monitoring. Ad esempio, example@example.com.

• NOTIFICATION_CHANNELS: un elenco di canali di notifica di Cloud Monitoring in cui vuoi ricevere avvisi da Model Monitoring. Utilizza i nomi delle risorse per i canali di notifica, che puoi recuperare elencando i canali di notifica nel tuo progetto. Ad esempio: "projects/my-project/notificationChannels/1355376463305411567", "projects/my-project/notificationChannels/1355376463305411568".

• TRAINING_DATASET è il link al set di dati di addestramento archiviato in Cloud Storage.

  • Per utilizzare un link a un set di dati di addestramento BigQuery, sostituisci il campo gcsSource con quanto segue:

  "bigquerySource": {
      {
        "inputUri": "TRAINING_DATASET"
      }
   }
  

  • Per utilizzare un link a un modello AutoML, sostituisci il campo gcsSource con quanto segue:

  "dataset": "TRAINING_DATASET"

• FEATURE_1:VALUE_1 e FEATURE_2:VALUE_2 è la soglia di avviso per ogni funzionalità che vuoi monitorare. Ad esempio, se specifichi Age=0.4, Model Monitoring registra un avviso quando la distanza statistica tra le distribuzioni di input e di base per la caratteristica Age supera 0,4. Per impostazione predefinita, ogni funzionalità categorica e numerica viene monitorata con valori di soglia pari a 0,3.

Per ulteriori informazioni sulle configurazioni di Model Monitoring, consulta il riferimento al job di monitoraggio.

Python

Consulta il notebook di esempio per eseguire un job di inferenza batch con Model Monitoring per un modello tabulare personalizzato.

Console (istogramma)

Utilizza la console Google Cloud per visualizzare gli istogrammi della distribuzione delle funzionalità per ogni funzionalità monitorata e scoprire quali modifiche hanno portato a uno sbilanciamento nel tempo:

1. Vai alla pagina Previsioni batch:

   Vai a Previsioni batch

2. Nella pagina Previsioni batch, fai clic sul job di inferenza batch che vuoi analizzare.

3. Fai clic sulla scheda Avvisi di monitoraggio del modello per visualizzare un elenco delle funzionalità di input del modello, insieme a informazioni pertinenti, come la soglia di avviso per ciascuna funzionalità.

4. Per analizzare una funzionalità, fai clic sul relativo nome. Una pagina mostra gli istogrammi della distribuzione delle funzionalità per quella funzionalità.

   La visualizzazione della distribuzione dei dati sotto forma di istogrammi consente di comprendere rapidamente ciò che è accaduto nei dati. In seguito, potresti decidere di modificare la pipeline di generazione delle caratteristiche o di conservare il modello.

   

Console (file JSON)

Utilizza la console Google Cloud per accedere alle metriche in formato JSON:

1. Vai alla pagina Previsioni batch:

   Vai a Previsioni batch

2. Fai clic sul nome del job di monitoraggio dell'inferenza batch.

3. Fai clic sulla scheda Proprietà di monitoraggio.

4. Fai clic sul link Directory di output del monitoraggio, che ti indirizza a un bucket Cloud Storage.

5. Fai clic sulla cartella metrics/.

6. Fai clic sulla cartella skew/.

7. Fai clic sul file feature_skew.json, che ti indirizza alla pagina Dettagli oggetto.

8. Apri il file JSON utilizzando una delle seguenti opzioni:

• Fai clic su Scarica e apri il file nell'editor di testo locale.

• Utilizza il percorso URI gsutil per eseguire gcloud storage cat gsutil_URI in Cloud Shell o nel terminale locale.

Il file feature_skew.json include un dizionario in cui la chiave è il nome della funzionalità e il valore è il disallineamento della funzionalità. Ad esempio:

{
  "cnt_ad_reward": 0.670936,
  "cnt_challenge_a_friend": 0.737924,
  "cnt_completed_5_levels": 0.549467,
  "month": 0.293332,
  "operating_system": 0.05758,
  "user_pseudo_id": 0.1
}

Python

Consulta il blocco note di esempio per accedere alle metriche di disallineamento per un modello tabellare personalizzato dopo aver eseguito un job di inferenza batch con Model Monitoring.