Machine Learning Designer menyediakan puluhan template preset yang dikembangkan berdasarkan berbagai framework untuk memenuhi kebutuhan skenario industri yang berbeda. Anda dapat membuat pipeline menggunakan template preset dan menyesuaikan komponen atau konfigurasi komponen sesuai dengan kebutuhan bisnis Anda. Dalam topik ini, template Prediksi Penyakit Jantung digunakan untuk menjelaskan cara membangun model secara visual.
Prasyarat
Langkah 1: Buat pipeline menggunakan template preset
Machine Learning Designer memungkinkan Anda membangun model menggunakan pipeline. Untuk membangun model, Anda perlu membuat pipeline, menambahkan berbagai komponen ke dalamnya, dan mengatur komponen berdasarkan logika model Anda.
Masuk ke konsol PAI dan buka halaman Pemodelan Visual (Designer). Pada halaman Pemodelan Visual (Designer), pilih ruang kerja dan klik Masuk ke Pemodelan Visual (Designer).
Di tab Pipelines pada halaman Pemodelan Visual (Designer), klik tab Preset Templates. Di tab Preset Templates, klik tombol Create pada template Heart Disease Prediction.
Dalam kotak dialog Buat Pipeline, atur parameter yang diperlukan dan klik OK.
Parameter
Deskripsi
Nama Pipeline
Tentukan nama untuk pipeline yang ingin Anda buat.
Penyimpanan Data
Path bucket Object Storage Service (OSS) yang menyimpan data sementara dan model yang dihasilkan selama waktu proses pipeline. Kami merekomendasikan Anda mengonfigurasi parameter ini. Jika Anda tidak mengisi parameter ini, penyimpanan default ruang kerja akan digunakan.
Sistem secara otomatis membuat direktori sementara dalam format
<Pipeline data path>/<Task ID>/<Node ID>untuk setiap run. Ini menghemat Anda dari membuat direktori OSS untuk menyimpan data setiap komponen dan memungkinkan Anda mengelola data secara terpusat.Visibilitas
Visible to Me: Alur kerja dibuat di folder My Pipelines dan hanya terlihat oleh Anda dan administrator di ruang kerja.
Visible to Current Workspace: Pipeline dibuat di folder Pipelines Visible to Workspaces dan terlihat oleh semua anggota ruang kerja saat ini.
Untuk informasi lebih lanjut tentang metode konfigurasi dan parameter, lihat Buat Pipeline.
Di halaman yang muncul, klik Open.
Langkah 2: Bangun model
Gambar berikut menunjukkan model yang dibangun menggunakan template preset.
Untuk mempercepat pembuatan model, template preset mencakup parameter yang sudah dikonfigurasi untuk setiap komponen. Anda dapat mengklik komponen untuk melihat parameter terkait. Untuk informasi lebih lanjut, lihat Prediksi Penyakit Jantung.
Jika Anda perlu melaksanakan (Opsional) Langkah 4: Deploy model, klik node Logistic Regression for Binary Classification dan pilih Whether to Generate PMML di tab Fields Setting di sebelah kanan.
Langkah 3: Debug model
Di pojok kiri atas kanvas, klik ikon 
untuk menjalankan pipeline.
Lihat Data dan Lakukan Analisis Visual
Setelah komponen dijalankan, Anda dapat mengklik kanan komponen tersebut dan memilih View Data untuk melihat data yang dihasilkan.
Untuk komponen tertentu seperti Confusion Matrix dan Binary Classification Evaluation, Machine Learning Designer memungkinkan Anda mengonversi data menjadi grafik dan bagan guna menampilkan data kompleks serta hasil analisis secara intuitif dan sederhana. Fitur ini membantu Anda dengan cepat memperoleh informasi penting, mengidentifikasi tren dan pola, serta mendukung analisis dan pengambilan keputusan yang lebih efisien. Untuk menganalisis data secara visual, klik kanan komponen dan pilih Visual Analysis, atau klik ikon visualisasi di bagian atas kanvas. Untuk detail lebih lanjut, lihat Analisis visual.
Lihat Log
Jika komponen gagal dijalankan, Anda dapat mengklik kanan komponen tersebut dan memilih View Log untuk menyelesaikan masalah.
(Opsional) Langkah 4: Deploy model
Machine Learning Designer terintegrasi dengan mulus dengan Elastic Algorithm Service (EAS). Setelah Anda melatih dan mengevaluasi model di Machine Learning Designer secara offline, Anda dapat menerapkan model ke EAS sebagai layanan online.
Setelah menjalankan pipeline, klik Models, pilih model yang ingin dideploy, lalu klik Deploy in EAS.
Konfirmasikan konfigurasi parameter. Untuk informasi lebih lanjut, lihat Deploy Model sebagai Layanan Online.
Di halaman Deploy Layanan, parameter Model File dan Processor Type dikonfigurasi secara otomatis. Anda dapat menyesuaikan parameter lain sesuai kebutuhan bisnis Anda.
Klik Deploy.
Ketika status layanan berubah dari Creating menjadi Running, model telah berhasil diterapkan.
PentingJika Anda tidak menggunakan model untuk sementara, klik Stop di kolom Actions guna menghindari biaya yang tidak perlu.
Referensi
Anda dapat membangun dan debug model dalam pipeline. Untuk informasi lebih lanjut, lihat Bangun dan Debug Model.
Anda dapat membuat pipeline kosong dan mengatur komponen berbeda untuk menangani logika penjadwalan dari awal berdasarkan kebutuhan bisnis Anda. Untuk informasi lebih lanjut, lihat Pipeline Kustom.
DataWorks memungkinkan Anda menjadwalkan pipeline offline dan memodifikasi model secara berkala. Untuk informasi lebih lanjut, lihat Gunakan Tugas DataWorks untuk Menjadwalkan Pipeline di Machine Learning Designer.
Untuk informasi tentang penagihan Machine Learning Designer, lihat Penagihan Machine Learning Designer.
Untuk informasi tentang komponen, lihat Ikhtisar Komponen Designer.
Untuk informasi tentang cara membangun model secara visual, lihat Kasus Penggunaan untuk Designer.