Designer terintegrasi secara mulus dengan Elastic Algorithm Service (EAS). Setelah menyelesaikan pipeline pelatihan offline, prediksi, dan evaluasi, Anda dapat menerapkan model tunggal ke EAS untuk membuat layanan online. Topik ini menjelaskan cara menerapkan model yang dilatih di Designer ke EAS menggunakan penerapan satu klik atau penerapan manual.
Prasyarat
Anda telah melatih sebuah model dan memverifikasi akurasinya. Untuk informasi selengkapnya, lihat Bangun dan debug model.
Penerapan satu klik untuk satu model
Komponen model yang didukung
Komponen model berikut mendukung penerapan satu klik ke EAS. Beberapa komponen model lain hanya mendukung penerapan manual. Untuk informasi selengkapnya, lihat Penerapan manual untuk satu model.
|
Nama Komponen |
Format |
Prosesor EAS |
Deskripsi |
|
Logistic Regression for Binary Classification |
PMML |
PMML |
Sebelum pelatihan, klik komponen model tersebut dan pilih Generate PMML pada tab Field Settings. |
|
GBDT Binary Classification |
PMML |
PMML |
|
|
Linear SVM |
PMML |
PMML |
|
|
Logistic Regression for Multiclass Classification |
PMML |
PMML |
|
|
Random Forest |
PMML |
PMML |
|
|
Naive Bayes |
PMML |
PMML |
|
|
K-means Clustering |
PMML |
PMML |
|
|
GBDT Regression |
PMML |
PMML |
|
|
Linear Regression |
PMML |
PMML |
|
|
Scorecard Train |
PMML |
PMML |
|
|
Text Summarization |
tgz package |
EasyNLP |
Prosesor EasyNLP yang disediakan PAI dihosting di bucket Object Storage Service (OSS) publik dan dikonfigurasi secara otomatis, sehingga tidak memerlukan pengaturan khusus. |
|
Image Classification (torch) |
tgz package |
EasyCV |
Prosesor EasyCV yang disediakan PAI dihosting di bucket Object Storage Service (OSS) publik dan dikonfigurasi secara otomatis, sehingga tidak memerlukan pengaturan khusus. |
|
PyAlink Script |
AlinkModel |
Alink |
Untuk informasi selengkapnya, lihat PyAlink Script. |
|
XGBoost Train |
XGBoost |
XGBoost |
Untuk informasi selengkapnya, lihat XGBoost Train. |
Prosedur
-
Buka Visualized Modeling, pilih ruang kerja, navigasikan ke halaman Designer, lalu buka pipeline target Anda.
-
Di atas kanvas pipeline, klik Model List. Sistem secara otomatis mendeteksi model yang dapat diterapkan yang dihasilkan oleh pipeline tersebut.
Pada kotak dialog Model List, pilih model target, misalnya Logistic Regression for Binary Classification-1. Anda dapat mengklik Register Model untuk menambahkan model ke aset AI guna pengendalian versi, atau mengklik Deploy to EAS untuk membuat layanan model.
-
Pilih model target dan klik Deploy to EAS untuk membuka halaman pembuatan layanan.
-
Konfigurasikan parameter dan terapkan layanan model.
Sistem secara otomatis mencocokkan Model File dan Processor Type. Untuk informasi selengkapnya mengenai parameter lainnya, lihat Custom deployment.
-
Klik Deploy. Ketika Service Status berubah menjadi Running, penerapan selesai.
Penerapan manual untuk satu model
Komponen model berikut tidak mendukung penerapan satu klik. Setelah pelatihan model selesai, Anda harus menggunakan komponen Export a General-purpose Model untuk menggabungkan model, mengekspornya ke direktori OSS, lalu menerapkannya secara manual.
|
Nama Komponen |
Format |
Prosesor EAS |
Prosedur |
|
PS-SMART Binary Classification Training |
PS format |
PS algorithm |
Sambungkan komponen Export a General-purpose Model di downstream komponen ini. |
|
PS-SMART Multiclass Classification Training |
|||
|
PS-SMART Regression Training |
Setelah mengekspor model ke bucket OSS, Anda dapat menerapkan model tersebut ke EAS secara manual. Untuk informasi selengkapnya, lihat Custom deployment.
FAQ
Saat saya menggunakan penerapan satu klik, node yang didukung tampak redup dan tidak dapat dipilih. Pada kotak dialog Model List, hanya model K-means Clustering-1 yang ditampilkan, dan satu-satunya tombol yang tersedia adalah Close, tanpa opsi untuk mendaftarkan atau menerapkan. Bagaimana cara memperbaikinya?
Klik node komponen tersebut, pilih Generate PMML pada tab Field Settings di sebelah kanan, lalu jalankan ulang node tersebut.
Dokumen terkait
-
Anda dapat membuka halaman layanan online PAI-EAS untuk melihat status layanan atau melakukan operasi manajemen. Untuk informasi selengkapnya, lihat Service deployment.
-
Anda dapat menggunakan fitur debugging online untuk menguji apakah layanan berjalan sesuai harapan. Untuk informasi selengkapnya, lihat Online debugging of a service.
-
Setelah layanan model diterapkan, Anda dapat menggunakan komponen Update EAS Service (Beta) di Designer untuk memperbarui layanan tersebut sesuai jadwal. Untuk informasi selengkapnya, lihat Update online model services on a schedule.