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 של בקשות להסקת מסקנות באצווה.
לפני שמתחילים
לפני שמתחילים להשתמש בהסברים, צריך:
השלב הזה משתנה בהתאם לסוג מודל למידת המכונה שבו 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 סיווג טבלאי או רגרסיה טבלאית של AutoML, 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 AutoML לסיווג תמונות, 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, צריך לפרוס את
Modelשיצרתם בשלב הקודם למשאבEndpoint.
קבלת הסברים אונליין
כדי לקבל הסברים אונליין, פועלים לפי רוב השלבים שנדרשים כדי לקבל מסקנות אונליין. עם זאת, במקום לשלוח projects.locations.endpoints.predictבקשה ל-Vertex AI API, צריך לשלוח projects.locations.endpoints.explainבקשה.
במדריכים הבאים מפורטות ההוראות להכנה ולשליחה של בקשות להסבר באינטרנט:
לגבי מודלים של סיווג תמונות ב-AutoML, אפשר לקרוא את המאמר קבלת היקשים אונליין ממודלים של AutoML.
למודלים 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 היקשים אונליין ממודלים עם אימון בהתאמה אישית.
קבלת הסברים על חיזויים רבים בבת אחת
המערכת תומכת רק בהסברים על קבוצות של תכונות, ולא בהסברים על קבוצות של דוגמאות.
כדי לקבל הסברים על קבוצת נתונים, מגדירים את השדה generateExplanation לערך true כשיוצרים משימת הסקה של קבוצת נתונים.
הוראות מפורטות לגבי הכנה ויצירה של משימות חיזוי רבות בבת אחת מופיעות במאמר קבלת מסקנות רבות בבת אחת.
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-תכונות. 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 אינם 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 מוצגת לכם הודעת השגיאה הבאה כשאתם מבקשים הסברים:
"error": "Explainability failed with exception: listindex out of range"
מוודאים שלא מעבירים מערך ריק לשדה שמצפה למערך של אובייקטים. לדוגמה, אם field1 מקבל מערך של אובייקטים, יכול להיות שגוף הבקשה הבא יגרום לשגיאה:
{
"instances": [
{
"field1": [],
}
]
}
במקום זאת, מוודאים שהמערך לא ריק, למשל:
{
"instances": [
{
"field1": [
{}
],
}
]
}
המאמרים הבאים
- על סמך ההסברים שמתקבלים, אפשר ללמוד איך לשנות את
Modelכדי לשפר את ההסברים. - אפשר לנסות מחברת לדוגמה שמדגימה את Vertex AI ניתן להסברה בנתונים טבלאיים או בנתוני תמונות.