במדריך הזה מוסבר איך לקבל הסברים מModel משאב ב-Vertex AI. יש שתי דרכים לקבל הסברים:
הסברים אונליין: בקשות סינכרוניות ל-Vertex AI API, בדומה להסקת מסקנות אונליין שמחזירות מסקנות עם שיוכי מאפיינים.
הסברים באצווה: בקשות אסינכרוניות ל-Vertex AI API שמחזירות מסקנות עם שיוך תכונות. הסברים באצווה הם חלק אופציונלי מבקשות להסקת מסקנות באצווה.
לפני שמתחילים
לפני שמתחילים להשתמש בהסברים, צריך:
השלב הזה משתנה בהתאם לסוג המודל של למידת מכונה שבו אתם משתמשים:
אם רוצים לקבל הסברים ממודל שאומן בהתאמה אישית, צריך לפעול לפי ההוראות במאמר הגדרת הסברים מבוססי-דוגמאות או במאמר הגדרת הסברים מבוססי-תכונות כדי ליצור
Modelשתומך ב-Vertex AI ניתן להסברה.אם רוצים לקבל הסברים ממודל AutoML לטבלאות לסיווג או לרגרסיה, צריך לאמן מודל AutoML על מערך נתונים טבלאי. אין צורך בהגדרה ספציפית כדי להשתמש ב-Vertex AI ניתן להסברה. אין תמיכה בהסברים למודלים של תחזיות.
אם רוצים לקבל הסברים ממודל לסיווג תמונות ב-AutoML, צריך לאמן מודל AutoML על מערך נתונים של תמונות ולהפעיל הסברים כשפורסים את המודל. לא נדרשת הגדרה ספציפית כדי להשתמש ב-Vertex AI ניתן להסברה. אין תמיכה בהסברים למודלים של זיהוי אובייקטים.
כדי לקבל הסברים אונליין, פורסים את
Modelשיצרתם בשלב הקודם למשאבEndpoint.
קבלת הסברים אונליין
כדי לקבל הסברים אונליין, פועלים לפי רוב השלבים שנדרשים כדי לקבל מסקנות אונליין. אבל במקום לשלוח projects.locations.endpoints.predictבקשה ל-Vertex AI API, שולחים projects.locations.endpoints.explainבקשה.
במדריכים הבאים מפורטות הוראות להכנה ולשליחה של בקשות להסבר אונליין:
לגבי מודלים של AutoML לסיווג תמונות, אפשר לקרוא את המאמר קבלת מסקנות אונליין ממודלים של AutoML.
לגבי מודלים של סיווג ורגרסיה בטבלאות של AutoML, אפשר לקרוא את המאמר קבלת מסקנות ממודלים של AutoML.
לגבי מודלים עם אימון בהתאמה אישית, אפשר לקרוא את המאמר קבלת מסקנות אונליין ממודלים עם אימון בהתאמה אישית.
קבלת הסברים על אצוות
המערכת תומכת רק בהסברים על קבוצות של תכונות, ולא בהסברים על קבוצות של דוגמאות.
כדי לקבל הסברים על קבוצת נתונים, צריך להגדיר את השדה generateExplanation לערך true כשיוצרים משימת הסקה של קבוצת נתונים.
הוראות מפורטות לגבי הכנה ויצירה של משימות חיזוי באצווה מופיעות במאמר קבלת מסקנות באצווה.
קבלת הסברים בו-זמנית
AI ניתן להסברה תומך בהסברים מקבילים. הסברים מקבילים מאפשרים לכם לבקש הסברים שמבוססים על תכונות וגם הסברים שמבוססים על דוגמאות מאותה נקודת קצה של מודל שנפרס, בלי שתצטרכו לפרוס את המודל בנפרד לכל שיטת הסבר.
כדי לקבל הסברים בו-זמנית, מעלים את המודל ומגדירים הסברים מבוססי-דוגמאות או מבוססי-מאפיינים. לאחר מכן, פורסים את המודל כרגיל.
אחרי פריסת המודל, אפשר לבקש את ההסברים שהוגדרו כרגיל.
בנוסף, אפשר לבקש הסברים בו-זמנית על ידי ציון concurrent_explanation_spec_override.
כשמשתמשים בהסברים בו-זמניים, חשוב לשים לב לנקודות הבאות:
- הסברים מקבילים זמינים רק בגרסת
v1beta1של ה-API. אם אתם משתמשים ב-Vertex Python SDK, תצטרכו להשתמש במודלpreviewכדי להשתמש בהסברים מקבילים. - אי אפשר לבקש הסברים מבוססי-דוגמאות אחרי פריסה עם הסברים מבוססי-תכונות. אם רוצים לקבל גם הסבר מבוסס-דוגמה וגם הסברים מבוססי-תכונות, צריך לפרוס את המודל באמצעות הסברים מבוססי-דוגמה ולבקש הסברים מבוססי-תכונות באמצעות השדה של הסבר מקביל.
- הסברים באצווה לא אפשריים עבור הסברים מקבילים. הסברים אונליין הם הדרך היחידה להשתמש בתכונה הזו.
פתרון בעיות
בקטע הזה מתוארים שלבים לפתרון בעיות שיכולים לעזור לכם אם נתקלתם בבעיות במהלך קבלת הסברים.
שגיאה: אינדקס הרשימה חורג מהטווח
אם מופיעה הודעת השגיאה הבאה כשמבקשים הסברים:
"error": "Explainability failed with exception: listindex out of range"
מוודאים שלא מעבירים מערך ריק לשדה שמצפה למערך של אובייקטים. לדוגמה, אם הפונקציה field1 מקבלת מערך של אובייקטים, יכול להיות שגוף הבקשה הבא יגרום לשגיאה:
{
"instances": [
{
"field1": [],
}
]
}
במקום זאת, מוודאים שהמערך לא ריק, למשל:
{
"instances": [
{
"field1": [
{}
],
}
]
}
המאמרים הבאים
- בהתאם להסברים שתקבלו, תוכלו ללמוד איך לשנות את
Modelכדי לשפר את ההסברים. - אפשר לנסות נוטבוק לדוגמה שמדגים את Vertex AI ניתן להסברה על נתונים טבלאיים או על נתוני תמונות.