Machine Learning Designer terintegrasi secara mulus dengan Elastic Algorithm Service (EAS). Setelah melatih dan mengevaluasi model secara offline di Machine Learning Designer, Anda dapat menyebarkan model tersebut ke EAS sebagai layanan online. Topik ini menjelaskan cara menyebarkan model yang telah dilatih di Machine Learning Designer ke EAS sebagai layanan online, baik secara manual maupun menggunakan penyebaran satu klik.
Prasyarat
Model telah dilatih dan akurasi model telah diverifikasi. Untuk informasi lebih lanjut tentang cara membangun dan men-debug model, lihat Bangun dan debug model.
Gunakan penyebaran satu klik
Komponen model yang didukung
Tabel berikut menggambarkan komponen model yang mendukung penyebaran satu klik ke EAS. Komponen model lainnya hanya mendukung penyebaran manual. Untuk informasi lebih lanjut, lihat Secara manual sebarkan model.
Komponen | Format model yang dihasilkan | Prosesor EAS | Deskripsi |
Regresi Logistik untuk Klasifikasi Biner | PMML | PMML | Sebelum Anda melatih model, Anda perlu mengklik komponen model, dan memilih Whether to Generate PMML pada tab Fields Setting dari komponen. Gambar berikut menunjukkan konfigurasinya.
|
GBDT Klasifikasi Biner | PMML | PMML | |
SVM Linear | PMML | PMML | |
Regresi Logistik untuk Klasifikasi Multikelas | PMML | PMML | |
Random Forest | PMML | PMML | |
Naive Bayes | PMML | PMML | |
Pengelompokan K-means | PMML | PMML | |
GBDT Regresi | PMML | PMML | |
Regresi Linear | PMML | PMML | |
Pelatihan Scorecard | PMML | PMML | |
Rangkuman Teks | Paket TGZ | EasyNLP | EasyNLP yang disediakan oleh Platform for AI (PAI) dalam Bucket OSS publik ditentukan secara otomatis. |
klasifikasi gambar(torch) | Paket TGZ | EasyCV | EasyCV yang disediakan oleh PAI dalam Bucket OSS publik ditentukan secara otomatis. |
Skrip PyAlink | AlinkModel | Alink | Untuk informasi lebih lanjut, lihat Skrip PyAlink. |
XGboost Train | XGBoost | XGBoost | Untuk informasi lebih lanjut, lihat XGboost Train. |
Prosedur
Masuk ke konsol PAI, dan buka halaman Pemodelan Terlihat (Designer). Pada halaman Pemodelan Terlihat (Designer), pilih ruang kerja dan masuk ke pipeline yang ingin Anda kelola.
Di bagian atas kanvas, klik Models. Sistem akan otomatis mendeteksi model yang dapat disebarkan.
Pilih model yang ingin Anda sebarkan dan klik Deploy in EAS untuk pergi ke halaman Buat Layanan EAS.
Konfigurasikan parameter dan sebarkan layanan model.
Di halaman Sebarkan Layanan, parameter Model File dan Processor Type dikonfigurasi secara otomatis. Untuk informasi lebih lanjut tentang parameter lainnya, lihat Parameter untuk penyebaran kustom di konsol.
Klik Deploy. Ketika Service Status berubah menjadi Running, layanan telah berhasil disebarkan.
Secara manual sebarkan model
Komponen model yang dijelaskan dalam tabel berikut tidak mendukung penyebaran satu klik. Anda perlu menggunakan komponen Ekspor model untuk merakit model setelah melatihnya, mengekspornya ke Bucket OSS, dan kemudian secara manual menyebarkannya.
Komponen | Format model yang dihasilkan | Prosesor EAS | Proses penyebaran manual |
Pelatihan Klasifikasi Biner PS-SMART | PS | Algoritma PS | Hubungkan port keluaran komponen ke komponen Ekspor model. |
Klasifikasi Multikelas PS-SMART | |||
Regresi PS-SMART |
Untuk informasi lebih lanjut tentang cara secara manual menyebarkan model ke EAS setelah mengekspornya ke Bucket OSS, lihat Parameter untuk penyebaran kustom di konsol.
FAQ
Apa yang harus saya lakukan jika beberapa node yang mendukung penyebaran satu klik redup dan tidak dapat dipilih ketika saya menyebarkan model dalam mode satu klik?
Klik node komponen, pilih Whether to Generate PMML pada tab Fields Setting dari komponen, dan jalankan ulang node tersebut.
Referensi
Anda dapat pergi ke halaman Elastic Algorithm Service (EAS) untuk melihat status layanan model yang disebarkan atau mengelola layanan model. Untuk informasi lebih lanjut, lihat Parameter untuk penyebaran kustom di konsol.
Anda dapat menggunakan debugging online untuk menguji apakah layanan berjalan sesuai harapan. Untuk informasi lebih lanjut, lihat Debug layanan secara online.
Setelah menyebarkan layanan model, Anda dapat menggunakan komponen Update EAS Service (Beta) yang disediakan oleh Machine Learning Designer untuk memperbarui layanan secara berkala. Untuk informasi lebih lanjut, lihat Perbarui layanan model online secara berkala.