Remarque
Vous pouvez ajouter plusieurs ensembles de données pour l'entraînement. Il est possible de basculer entre les jeux de données d'entraînement à l'aide des paramètres du modèle.
Pour entraîner un modèle, un jeu de données doit être fourni et mis à la disposition de SAP AI Core. Pour ce faire, stockez les ensembles de données dans un magasin d'objets hyperscaler et fournissez les droits d'accès requis à SAP AI Core.
Astuce
Étape 1
Dans le bloc d'entraînement du modèle, connecte un magasin d'objets à SAP AI Core et charge le jeu de données d'entraînement.
L'étape 1 sépare également les artefacts d'IA, ce qui est réalisé en équilibrant la création d'instances et de groupes de ressources SAP AI Core. Il est clair que différents locataires peuvent isoler différents artefacts d'IA, mais il est également possible de définir des espaces noms pour regrouper et séparer les ressources associées dans le périmètre d'un locataire SAP AI Core.
AI Core : enregistrer le jeu de données d'entrée
Un exemple de fiche info pouvant être séparée au sein d'un groupe de ressources est le jeu de données d'entrée utilisé pour entraîner un modèle d'apprentissage automatique. L'enregistrement d'un ensemble de données dans SAP AI Core suppose la création d'un groupe de ressources. Ce groupe de ressources est visible uniquement pour les personnes autorisées à accéder à ce groupe de ressources spécifique et est consommé par tous les composants appartenant au même groupe de ressources.
Remarque
Bien que la séparation des actifs à l'aide de groupes de ressources soit valide, le point important ici est de fournir différents ensembles de données qui sont injectés dans le même pipeline d'entraînement dans différentes exécutions, ce qui donne cependant des modèles différents.
Cela peut être fait périodiquement, ou en mélangeant un grand jeu de données dans différentes variantes pour obtenir le meilleur modèle généralisant.
Noyau de l'IA : créer une configuration
Comme indiqué précédemment, vous pouvez utiliser SAP AI Core pour concevoir leur propre pipeline de formation et le spécifier dans un modèle de formation utilisé pour définir un objet exécutable dans SAP AI Core. Pour des raisons de commodité, elle fait partie d'un scénario spécifique qui agit comme un espace nom supplémentaire et regroupe toutes les unités exécutables dont vous avez besoin pour résoudre votre défi de gestion spécifique. Les unités exécutables, ainsi que le jeu de données d'entrée, sont les composants clés que vous devez lier pour créer une configuration d'entraînement, puis pour entraîner un modèle ML dans SAP AI Core.
Remarque
Par souci de commodité, elle relève d'un « scénario » spécifique qui fait office d'espace nom supplémentaire.
Malheureusement, le scénario n'est pas un espace nom. Il est utilisé pour regrouper les postes d'un "projet" d'apprentissage automatique donné.
Une configuration est un ensemble de paramètres qui peuvent être modifiés pour chaque exécution.
AI Core : déclencher l'exécution du workflow
Un exécutable comprend des informations sur les données d'entrée et de sortie d'entraînement, les conteneurs pipeline à utiliser et les ressources d'infrastructure requises. SAP AI Core fournit plusieurs regroupements d'infrastructures préconfigurés appelés planifications de ressources qui diffèrent les uns des autres en fonction du nombre d'UC, de GPU et de la quantité de mémoire. Par conséquent, SAP AI Core peut gérer efficacement des charges de travail exigeantes.
Un autre point important lors de l'utilisation de l'apprentissage automatique est l'évaluation de la précision du modèle. Les modèles ML sont utilisés pour des décisions de gestion pratiques, de sorte que des modèles plus précis peuvent aboutir à de meilleures décisions. Le coût des erreurs peut être énorme, mais l'impact de ces erreurs peut être atténué en optimisant la précision du modèle. Cela dit, un client qui utilise SAP AI Core peut se demander : comment vais-je évaluer les performances de mon modèle ? La réponse est que SAP AI Core fournit plusieurs API pour enregistrer vos métriques favorites qui peuvent être récupérées et inspectées une fois la formation terminée.
Barre de lancement AI : contrôler le statut d'exécution et les journaux
Lorsque le modèle a terminé l'entraînement et a des métriques satisfaisantes, l'étape finale du bloc d'entraînement du modèle consiste à récolter les résultats. Lorsque le modèle est produit et stocké par SAP AI Core dans le même magasin d'objets hyperscaler connecté, il est automatiquement enregistré dans SAP AI Core et prêt pour le déploiement.