All Products
Search

This Product

    Platform For AI:Buat eksperimen

    Document Center

    Platform For AI:Buat eksperimen

    Last Updated:Aug 26, 2026

    AutoML adalah layanan peningkatan pembelajaran mesin yang disediakan oleh PAI, mengintegrasikan berbagai algoritma dan sumber daya komputasi terdistribusi. Tanpa menulis kode, Anda dapat membuat eksperimen untuk menerapkan penyetelan hiperparameter model serta meningkatkan efisiensi dan kinerja pembelajaran mesin.

    Informasi latar belakang

    Mekanisme kerja AutoML:

    Suatu eksperimen secara otomatis menghasilkan kombinasi hiperparameter berdasarkan konfigurasi algoritma. Setiap kombinasi hiperparameter berkorespondensi dengan satu Trial. Setiap Trial dapat berkorespondensi dengan satu pekerjaan DLC atau satu atau beberapa pekerjaan MaxCompute, tergantung pada konfigurasi eksekusi eksperimen tersebut. Eksperimen menjadwalkan dan menjalankan beberapa Trial, membandingkan hasilnya, serta menemukan kombinasi hiperparameter optimal. Untuk informasi lebih lanjut mengenai mekanisme kerja tersebut, lihat Cara kerja AutoML.

    Prasyarat

    Prosedur

    1. Buka halaman AutoML.

      • Login ke Konsol PAI.

      • Pada panel navigasi kiri, klik Workspaces. Pada halaman Workspaces, klik nama workspace yang ingin Anda kelola.

      • Pada panel navigasi kiri, pilih Model Training > AutoML.

    2. Pada halaman daftar eksperimen, klik .

    3. Pada halaman pembuatan eksperimen, konfigurasikan parameter berikut.

    4. Klik .

    Eksperimen akan muncul dalam daftar eksperimen.

    Informasi dasar

    Parameter

    Deskripsi

    Name

    Konfigurasikan nama eksperimen sesuai petunjuk inline.

    Description

    Deskripsi singkat eksperimen untuk membedakannya dari eksperimen lain.

    Visibility

    Visibilitas eksperimen. Nilai yang valid: : hanya terlihat oleh Anda dan administrator di workspace. : terlihat oleh semua pengguna di workspace.

    Konfigurasi eksekusi

    Job Type adalah lingkungan eksekusi untuk Trial. Anda dapat memilih atau .

    • : menjalankan pekerjaan DLC untuk penyetelan hiperparameter. Untuk informasi lebih lanjut mengenai pekerjaan DLC, lihat Buat pekerjaan pelatihan.

    • : menjalankan perintah SQL atau perintah PAI dari komponen algoritma Designer pada sumber daya komputasi MaxCompute untuk penyetelan hiperparameter. Untuk informasi lebih lanjut mengenai komponen algoritma Designer dan perintah PAI yang didukung oleh setiap komponen, lihat Ikhtisar komponen Designer.

    DLC

    Parameter

    Deskripsi

    Pilih kelompok sumber daya publik atau kelompok sumber daya khusus yang telah dibeli. Untuk informasi lebih lanjut mengenai cara menyiapkan kelompok sumber daya, lihat Buat kelompok sumber daya dan beli sumber daya komputasi umum dan Buat kuota sumber daya.

    Jenis framework. Nilai yang valid: Tensorflow, PyTorch.

    Konfigurasikan parameter ini ke dataset yang telah disiapkan.

    Lokasi penyimpanan file kode pekerjaan (informasi repositori kode). Konfigurasikan parameter ini ke Konfigurasi Kode yang telah disiapkan. DLC mengunduh kode ke direktori kerja yang ditentukan, sehingga Anda harus memiliki akses ke repositori kode tersebut.

    Citra runtime untuk node pekerja. Jenis citra runtime berikut didukung:

    • : berbagai citra resmi yang disediakan oleh Alibaba Cloud PAI, mendukung berbagai jenis sumber daya, versi Python, serta framework pembelajaran mendalam TensorFlow dan PyTorch. Untuk daftar citra, lihat Citra publik.

    • : citra kustom yang ditambahkan ke PAI. Sebelum memilih opsi ini, Anda harus terlebih dahulu menambahkan gambar kustom.

    • : konfigurasikan URL citra Docker Registry yang dapat diakses di lingkungan jaringan publik untuk citra kustom, gambar komunitas, atau citra platform PAI Anda.

    Pilih tipe instans yang diperlukan untuk menjalankan pekerjaan. Harga instans bervariasi berdasarkan spesifikasi. Untuk detail penagihan, lihat Penagihan untuk DLC.

    Jumlah node komputasi yang digunakan dalam pekerjaan DLC. Jika Anda mengonfigurasi beberapa node, setiap node ditagih secara terpisah, bukan berbagi tipe instans yang sama. Saat memilih node, pertimbangkan biaya setiap node dan seimbangkan antara biaya dan kinerja.

    Ketika diatur ke kelompok sumber daya khusus yang telah dibeli, Anda dapat mengonfigurasi parameter ini berdasarkan spesifikasi sumber daya yang dibeli.

    Anda dapat menggunakan pengaturan lanjutan untuk meningkatkan fleksibilitas pelatihan atau memenuhi skenario pelatihan tertentu. Ketika PyTorch dipilih sebagai framework, Anda dapat mengonfigurasi pengaturan lanjutan.

    Perintah awal untuk setiap node. Anda perlu mengonfigurasi variabel hiperparameter ${<custom hyperparameter variable>} dalam perintah tersebut. Contoh:

    python /mnt/data/examples/search/dlc_mnist/mnist.py --data_dir=/mnt/data/examples/search/data --save_model=/mnt/data/exmaples/search/model/model_${exp_id}_${trial_id} --batch_size=${batch_size} --lr=${lr} --metric_filepath=/mnt/data/examples/search/metric/metric_${exp_id}_${trial_id}

    Pada contoh ini, ${batch_size} dan ${lr} adalah variabel hiperparameter yang telah didefinisikan.

    Hyperparameter

    Berdasarkan variabel hiperparameter yang dikonfigurasi dalam perintah awal, daftar hiperparameter dimuat secara otomatis. Anda perlu mengonfigurasi tipe kendala dan ruang pencarian untuk setiap hiperparameter:

    • Constraint Type: batasan yang diterapkan pada hiperparameter. Anda dapat mengarahkan kursor ke ikon image.png di samping tipe kendala untuk melihat tipe kendala yang didukung beserta deskripsinya.

    • Search Space: rentang nilai untuk hiperparameter. Metode konfigurasi bervariasi tergantung pada tipe kendala. Klik ikon image.png dan tambahkan nilai sesuai petunjuk.

    MaxCompute

    Parameter

    Deskripsi

    Command

    Konfigurasikan parameter ini ke perintah SQL atau perintah PAI untuk menjalankan komponen algoritma Designer. Anda perlu mengonfigurasi variabel hiperparameter ${<custom hyperparameter variable>} dalam perintah tersebut. Contoh:

    pai -name kmeans
    -project algo_public
    -DinputTableName=pai_kmeans_test_input
    -DselectedColNames=f0,f1
    -DappendColNames=f0,f1
    -DcenterCount=${centerCount}
    -Dloop=10
    -Daccuracy=0.01
    -DdistanceType=${distanceType}
    -DinitCenterMethod=random
    -Dseed=1
    -DmodelName=pai_kmeans_test_output_model_${exp_id}_${trial_id}
    -DidxTableName=pai_kmeans_test_output_idx_${exp_id}_${trial_id}
    -DclusterCountTableName=pai_kmeans_test_output_couter_${exp_id}_${trial_id}
    -DcenterTableName=pai_kmeans_test_output_center_${exp_id}_${trial_id};

    Pada contoh ini, ${centerCount} dan ${distanceType} adalah variabel hiperparameter yang telah didefinisikan. Untuk contoh konfigurasi lainnya, lihat .

    Hyperparameter

    Berdasarkan variabel hiperparameter yang dikonfigurasi dalam perintah, daftar hiperparameter dimuat secara otomatis. Anda perlu mengonfigurasi tipe kendala dan ruang pencarian untuk setiap hiperparameter:

    Konfigurasi Trial

    Parameter

    Deskripsi

    Metric Type

    Jenis metrik yang digunakan untuk mengevaluasi Trial. Nilai yang valid:

    • summary: metrik akhir diekstraksi dari file ringkasan TensorFlow di OSS.

    • table: metrik akhir diekstraksi dari tabel MaxCompute.

    • stdout: metrik akhir diekstraksi dari output standar selama eksekusi pekerjaan.

    • json: metrik akhir disimpan sebagai file JSON di OSS.

    Method

    Selama eksekusi pekerjaan, beberapa metrik antara dihasilkan. Metode ini menentukan metrik akhir. Nilai yang valid:

    • final: menggunakan metrik terakhir sebagai metrik akhir untuk Trial.

    • best: menggunakan metrik terbaik yang diperoleh selama eksekusi pekerjaan sebagai metrik akhir untuk Trial.

    • avg: menggunakan rata-rata semua metrik antara yang diperoleh selama eksekusi pekerjaan sebagai metrik akhir untuk Trial.

    Metric Weight

    Ketika beberapa metrik dipertimbangkan, konfigurasikan nama metrik dan bobotnya. Sistem menggunakan jumlah tertimbang sebagai metrik evaluasi akhir untuk perbandingan.

    • key: nama metrik, yang mendukung ekspresi reguler.

    • value: bobot yang sesuai. Bobot dapat bernilai negatif, dan jumlah bobot tidak perlu sama dengan 1. Nilai kustom didukung.

    Metric Source

    Sumber metrik:

    • Ketika Metric Type diatur ke summary atau json, konfigurasikan jalur file. Contoh: oss://examplebucket/examples/search/pai/model/model_${exp_id}_${trial_id}.

    • Ketika Metric Type diatur ke table, konfigurasikan pernyataan SQL yang mengembalikan hasil spesifik. Contoh: select GET_JSON_OBJECT(summary, '$.calinhara') as vrc from pai_ft_cluster_evaluation_out_${exp_id}_${trial_id}.

    • Ketika Metric Type diatur ke stdout, konfigurasikan kata kunci perintah. Hanya cmdx atau cmdx;xxx, seperti cmd1;worker yang didukung.

    optimization direction

    Arah optimasi untuk mengevaluasi hasil Trial. Nilai yang valid:

    • Larger is better

    • Smaller is better

    Model storage path

    Jalur penyimpanan model. Jalur tersebut harus mengandung ${exp_id}_${trial_id} untuk membedakan model yang dihasilkan di bawah kombinasi hiperparameter yang berbeda. Contoh: oss://examplebucket/examples/search/pai/model/model_${exp_id}_${trial_id}.

    Konfigurasi pencarian

    Parameter

    Deskripsi

    Search Algorithm

    Algoritma pembelajaran mesin otomatis yang menemukan kombinasi hiperparameter yang lebih baik untuk Trial berikutnya berdasarkan ruang pencarian hiperparameter serta hasil dan metrik kinerja Trial sebelumnya. Jenis algoritma yang didukung:

    • TPE

    • Random

    • GridSearch

    • Evolution

    • GP

    • PBT

    Untuk informasi lebih lanjut mengenai algoritma tersebut, lihat Algoritma pencarian yang didukung.

    Maximum Trials

    Jumlah maksimum Trial yang dapat dijalankan oleh eksperimen.

    Maximum Concurrent Trials

    Jumlah maksimum Trial yang dapat dijalankan secara paralel oleh eksperimen.

    Enable EarlyStop

    Setelah Anda mengaktifkan EarlyStop, jika suatu Trial menemukan bahwa hasilnya sangat buruk saat mengevaluasi kombinasi hiperparameter tertentu, proses evaluasi Trial tersebut dapat dihentikan lebih awal tanpa menyelesaikan evaluasi penuh.

    Start step

    Parameter ini tersedia hanya ketika EarlyStop diaktifkan. Parameter ini menentukan jumlah minimum evaluasi yang harus diselesaikan oleh Trial sebelum penghentian dini dapat dipicu.

    Langkah berikutnya

    Lampiran: Deskripsi referensi

    Berikut adalah contoh konfigurasi untuk penyetelan hiperparameter pekerjaan MaxCompute:

    • cmd1

    pai -name kmeans
    -project algo_public
    -DinputTableName=pai_kmeans_test_input
    -DselectedColNames=f0,f1
    -DappendColNames=f0,f1
    -DcenterCount=${centerCount}
    -Dloop=10
    -Daccuracy=0.01
    -DdistanceType=${distanceType}
    -DinitCenterMethod=random
    -Dseed=1
    -DmodelName=pai_kmeans_test_output_model_${exp_id}_${trial_id}
    -DidxTableName=pai_kmeans_test_output_idx_${exp_id}_${trial_id}
    -DclusterCountTableName=pai_kmeans_test_output_couter_${exp_id}_${trial_id}
    -DcenterTableName=pai_kmeans_test_output_center_${exp_id}_${trial_id};

    • cmd2

    PAI -name cluster_evaluation
    -project algo_public
    -DinputTableName=pai_cluster_evaluation_test_input
    -DselectedColNames=f0,f1
    -DmodelName=pai_kmeans_test_output_model_${exp_id}_${trial_id}
    -DoutputTableName=pai_ft_cluster_evaluation_out_${exp_id}_${trial_id};