Machine Learning Designer terintegrasi secara mulus dengan Elastic Algorithm Service (EAS) untuk mengubah model yang telah Anda latih menjadi layanan online yang dapat diskalakan. Panduan komprehensif ini memandu Anda melalui proses penerapan satu klik untuk algoritma yang didukung maupun penerapan manual untuk skenario lanjutan, sehingga Anda dapat menyajikan prediksi real-time dengan konfigurasi minimal.
Prasyarat
Pastikan Anda telah berhasil menyelesaikan pelatihan dan validasi model di Designer. Untuk panduan pelatihan lebih rinci, lihat Bangun dan debug model.
Penerapan satu klik untuk satu model
Komponen model yang didukung
Komponen model berikut mendukung penerapan satu klik yang disederhanakan ke EAS. Model yang tidak tercantum di sini memerlukan prosedur penerapan manual. Untuk informasi selengkapnya tentang opsi penerapan manual, lihat Penerapan manual untuk satu model.
|
Nama Komponen |
Format model yang dapat diterapkan |
Prosesor EAS yang sesuai |
Catatan |
|
Logistic Regression for Binary Classification |
PMML |
PMML |
Sebelum memulai pelatihan, akses pengaturan komponen model. Buka tab Fields Setting dan aktifkan opsi Whether to Generate PMML. Antarmuka konfigurasi ditunjukkan pada gambar berikut.
|
|
Gradient Boosting Decision Trees (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 Training |
PMML |
PMML |
|
|
Text Summarization Training |
tgz package |
EasyNLP |
EasyNLP, yang disediakan oleh PAI dalam Bucket OSS publik, dikonfigurasi secara otomatis. Tidak diperlukan konfigurasi kustom. |
|
Image Classification Training (torch) |
tgz package |
EasyCV |
EasyCV, yang disediakan oleh PAI dalam Bucket OSS publik, dikonfigurasi secara otomatis. Tidak diperlukan konfigurasi kustom. |
|
PyAlink Script |
AlinkModel |
Alink |
Untuk informasi selengkapnya, lihat PyAlink Script. |
|
XGBoost Training |
XGBoost |
XGBoost |
Untuk informasi selengkapnya, lihat XGBoost Training. |
Prosedur penerapan
-
Buka Visualized Modeling (Designer), pilih ruang kerja target Anda, lalu buka alur kerja yang berisi model yang telah dilatih.
-
Temukan tombol Model List di atas kanvas alur kerja. Sistem akan secara otomatis mendeteksi dan menampilkan semua model yang dapat diterapkan.
-
Pilih model target Anda dari daftar tersebut, lalu klik Deploy to EAS untuk membuka halaman Create Service di Konsol EAS.
-
Konfigurasikan parameter penerapan sesuai kebutuhan Anda.
Field Model File dan Processor Type akan diisi secara otomatis berdasarkan jenis model Anda. Untuk panduan mengenai opsi konfigurasi tambahan, lihat Custom deployment.
-
Mulai penerapan dengan mengklik Deploy. Pantau progres penerapan hingga indikator Service Status menunjukkan status Running.
Penerapan manual untuk satu model
Komponen model berikut memerlukan prosedur penerapan manual. Setelah menyelesaikan pelatihan model, Anda harus menggunakan komponen Export General-purpose Model untuk mengemas model Anda, mengekspornya ke direktori OSS, lalu mengonfigurasi penerapan EAS secara manual.
|
Nama Komponen |
Format model yang dapat diterapkan |
Prosesor EAS yang sesuai |
Proses penerapan manual |
|
PS-SMART Binary Classification |
PS format |
PS algorithm |
Sambungkan komponen Export General-purpose Model di downstream komponen ini. |
|
PS-SMART Multiclass Classification |
|||
|
PS-SMART Regression |
Setelah model Anda diekspor ke Bucket OSS, lanjutkan dengan konfigurasi penerapan EAS secara manual. Untuk instruksi penerapan yang lebih rinci, lihat Custom deployment.
FAQ
Apa yang harus Anda lakukan jika node yang mendukung penerapan satu klik tampak redup dan tidak dapat dipilih?
Buka pengaturan node komponen tersebut. Di panel kanan, navigasikan ke tab Fields Setting dan aktifkan opsi Whether to Generate PMML. Setelah melakukan perubahan ini, jalankan ulang komponen tersebut untuk mengaktifkan fungsi penerapan.
Referensi
-
Buka halaman manajemen layanan model online PAI-EAS untuk memantau layanan yang telah diterapkan atau melakukan tugas administratif. Untuk panduan lengkap, lihat Manage EAS online model services.
-
Gunakan fitur debugging online untuk memverifikasi bahwa layanan yang diterapkan berfungsi dengan benar. Untuk instruksi pengujian langkah demi langkah, lihat Debug a service online.
-
Untuk pembaruan layanan otomatis, gunakan komponen Update EAS Service (beta) dalam Designer guna menyegarkan layanan yang telah diterapkan secara berkala. Untuk detail implementasi, lihat Periodically update online model services.