Machine Learning Designer mendukung prediksi batch untuk skenario yang tidak memerlukan hasil secara real time—misalnya, menjalankan pekerjaan penilaian (scoring) semalam pada set data besar, memproses awal set data sebelum pelatihan, atau menghasilkan daftar rekomendasi mingguan. Topik ini menjelaskan cara menjalankan prediksi batch di Designer dan menjadwalkannya agar berjalan secara periodik.
Kapan menggunakan prediksi batch
Prediksi batch cocok digunakan ketika Anda perlu:
-
Memberi skor pada set data besar tanpa menunggu tanggapan sinkron
-
Menjalankan inferensi sesuai jadwal (harian, mingguan, atau dipicu oleh pembaruan data)
-
Menghasilkan prediksi saat titik akhir online yang persisten tidak diperlukan
Prasyarat
Sebelum memulai, pastikan Anda telah memiliki:
-
Ruang kerja Machine Learning Designer
-
Model yang telah dilatih (OfflineModel atau model yang dilatih menggunakan komponen berpasangan)
-
(Untuk penjadwalan periodik) Ruang kerja DataWorks dengan izin yang sesuai
Jalankan prediksi batch di lingkungan pengembangan
Designer menyediakan komponen prediksi yang mencakup berbagai algoritma dan skenario. Seret dan lepas komponen-komponen tersebut langsung ke Kanvas.
Pilih pendekatan prediksi
| Approach | When to use | Limitation |
|---|---|---|
| Paired training + prediction components | Tersedia komponen prediksi khusus untuk algoritma Anda (misalnya, algoritma FM) | — |
| General-purpose prediction component | Tidak tersedia komponen prediksi khusus untuk algoritma Anda | Hanya mendukung model OfflineModel. Tidak mendukung model Predictive Model Markup Language (PMML). |
| Import an existing model | Model pra-latih sudah tersedia | — |
Paired training and prediction components
Untuk algoritma yang memiliki komponen berpasangan (seperti algoritma FM), komponen pelatihan dan prediksi muncul berdampingan di panel komponen sisi kiri. Latih model terlebih dahulu, lalu hubungkan komponen prediksi sebagai node downstream.
General-purpose prediction component
Jika tidak tersedia komponen prediksi khusus untuk algoritma Anda, gunakan komponen prediksi tujuan umum setelah model dilatih.
Komponen prediksi tujuan umum hanya mendukung model OfflineModel. Komponen ini tidak mendukung model Predictive Model Markup Language (PMML).
Import an existing model
Untuk menggunakan model pra-latih, impor model tersebut dengan komponen model-import dan hubungkan komponen prediksi sebagai node downstream-nya. Pendekatan ini juga mendukung alur kerja prediksi dan penerapan.
Jadwalkan pipeline prediksi batch
Setelah pipeline prediksi batch lolos pengujian, kirimkan ke DataWorks untuk penjadwalan periodik.
Langkah 1: Sinkronkan model ke lingkungan produksi (hanya mode standar)
Langkah ini hanya diperlukan jika ruang kerja Anda berada dalam mode standar DataWorks. Dalam mode standar, lingkungan pengembangan dan produksi menyimpan data MaxCompute secara terpisah, sehingga Anda harus menyinkronkan model offline yang telah dilatih ke lingkungan produksi sebelum menjadwalkannya.
Tersedia dua metode:
Metode 1: Ekspor dan Impor Komponen Model Offline MaxCompute (Direkomendasikan)
-
Gunakan komponen Model Export untuk mengekspor model OfflineModel yang telah dilatih ke Object Storage Service (OSS).
-
Dalam pipeline yang dijadwalkan secara periodik, gunakan komponen Import MaxCompute Offline Model untuk mengimpor model dari OSS.
Metode 2: Salin Model Offline MaxCompute dan Baca Komponen Model Offline MaxCompute
-
Gunakan komponen Copy MaxCompute Offline Model untuk mereplikasi model OfflineModel yang telah dilatih ke lingkungan produksi.
CatatanOperasi replikasi harus dilakukan menggunakan akun administrator ruang kerja atau akun produksi. Untuk informasi selengkapnya, lihat Permissions.
-
Dalam pipeline yang dijadwalkan secara periodik, gunakan komponen Read MaxCompute Offline Model untuk membaca model dari lingkungan produksi.
Langkah 2: Jadwalkan pipeline dengan DataWorks
Gunakan tugas DataWorks untuk menjadwalkan pipeline di Machine Learning Designer.
Langkah berikutnya
Jika hasil prediksi offline memenuhi ekspektasi Anda, terapkan model atau pipeline tersebut sebagai layanan online: