Nota
Você pode adicionar vários conjuntos de dados para treinamento. A comutação entre conjuntos de dados de treinamento pode ser alcançada utilizando parâmetros de modelo.
Para treinar um modelo, um conjunto de dados precisa ser fornecido e disponibilizado para o SAP AI Core. Você pode conseguir isso armazenando os conjuntos de dados em um armazenamento de objetos em hiperescala e fornecendo os direitos de acesso necessários ao SAP AI Core.
Dica
Etapa 1
No bloco de treinamento do modelo, conecta um arquivo de objetos ao SAP AI Core e carrega o conjunto de dados de treinamento.
A etapa 1 também segrega os artefatos de IA, que são alcançados balanceando a criação de instâncias e grupos de recursos do SAP AI Core. Claramente, locatários diferentes podem isolar diferentes artefatos de IA, mas também é possível definir espaços de nomes para agrupar e segregar recursos relacionados dentro do escopo de um locatário do SAP AI Core.
AI Core: registrar o conjunto de dados de entrada
Um exemplo de um ativo que pode ser segregado dentro de um grupo de recursos é o conjunto de dados de entrada usado para treinar um modelo de ML. O registro de um conjunto de dados no SAP AI Core pressupõe a criação de um grupo de recursos. Esse grupo de recursos só é visível para as pessoas que têm permissão para acessar esse grupo de recursos específico e é consumido por todos os componentes que pertencem ao mesmo grupo de recursos.
Nota
Embora a segregação de ativos usando Res.grps seja válida, o ponto importante aqui é fornecer diferentes conjuntos de dados que são injetados no mesmo pipeline de treinamento em diferentes execuções, no entanto, resultando em diferentes modelos.
Isso pode ser feito periodicamente, ou por embaralhar um grande conjunto de dados em diferentes variantes para obter o melhor modelo de generalização.
AI Core: criar uma configuração
Como mencionado anteriormente, você pode usar o SAP AI Core para projetar seu próprio pipeline de treinamento e especificá-lo em um modelo de treinamento, que é usado para definir um objeto executável no SAP AI Core. Por uma questão de conveniência, ele se enquadra no guarda-chuva de um cenário específico que atua como um espaço de nomes adicional e agrupa todos os executáveis necessários para resolver o seu desafio empresarial específico. Os executáveis, juntamente com o conjunto de dados de entrada, são os componentes-chave que você precisa vincular para criar uma configuração de treinamento e, em seguida, treinar um modelo de ML no SAP AI Core.
Nota
Por uma questão de conveniência, ele está sob o guarda-chuva de um "cenário" específico que atua como um espaço de nomes adicional.
Infelizmente, o cenário não é um espaço de nomes. Ele é utilizado para agrupar itens de um determinado "projeto" de ML.
Uma configuração é um conjunto de parâmetros que pode ser modificado para cada execução.
AI Core: acionar a execução do workflow
Um executável inclui informações sobre a entrada e saída de treinamento, os containers de pipeline a serem utilizados e os recursos de infraestrutura necessários. O SAP AI Core fornece vários pacotes de infraestrutura pré-configurados chamados planos de recursos que diferem entre si, dependendo do número de CPUs, GPUs e da quantidade de memória. Portanto, o SAP AI Core pode lidar com eficiência com cargas de trabalho exigentes.
Outro ponto importante ao trabalhar com ML é avaliar a precisão do modelo. Os modelos de ML são usados para decisões empresariais práticas, de modo que modelos mais precisos podem resultar em melhores decisões. O custo dos erros pode ser enorme, mas o impacto desses erros pode ser atenuado otimizando a precisão do modelo. Dito isso, um cliente que usa o SAP AI Core pode perguntar: como vou avaliar o desempenho do meu modelo? A resposta é que o SAP AI Core fornece várias APIs para registrar suas métricas favoritas que podem ser recuperadas e inspecionadas assim que o treinamento estiver concluído.
Launchpad AI: verificar status de execução e logs
Quando o modelo completou o treinamento e possui métricas satisfatórias, a etapa final do bloco de treinamento do modelo consiste na colheita dos resultados. Quando o modelo é produzido e armazenado pelo SAP AI Core no mesmo armazenamento de objetos hyperscaler conectado, ele é registrado automaticamente no SAP AI Core e está pronto para implementação.