Überblick

SurveyAnalytica bietet einen vollständigen Machine-Learning-Lebenszyklus innerhalb der Plattform, mit dem Sie ML-Modelle erstellen, trainieren, versionieren, bewerten und bereitstellen können, ohne Code zu schreiben. Die ML-Funktionen umfassen die Klassifikation und Regression tabellarischer Daten, die Bildklassifikation mit AutoML und Transfer Learning sowie das Training benutzerdefinierter Modelle mit dedizierten Rechenressourcen.

Navigation zu Modellen

Greifen Sie über den Bereich Data auf die Verwaltungsoberfläche für ML-Modelle zu. Beim Anzeigen eines Datensatzes zeigt die Predictions-Ansicht innerhalb der Analytics trainierte Modelle und deren Ergebnisse an.

Erstellen eines Modells

Um ein neues Modell zu erstellen, geben Sie die folgenden Informationen an:

• Name: Ein aussagekräftiger Name für Ihr Modell.
• Kategorie: Die Art der ML-Aufgabe — Klassifikation, Regression, Clustering oder Forecasting.
• Modelltyp: Der zu verwendende Algorithmus. Zu den Optionen gehören:
  • Tabellarische Modelle: Logistische Regression, Boosted Tree, Deep Neural Network, Random Forest, XGBoost, ARIMA-Zeitreihen, K-Means-Clustering
  • Bildmodelle: AutoML Vision, Transfer-Learning-Modelle
  • Textmodelle: Sprachmodelle, AutoML Text
  • AutoML: Automatisierte tabellarische und Klassifikationsmodelle
• Workspace: Der Workspace, zu dem dieses Modell gehört.
• Data Entity: Der Datensatz, auf dem trainiert werden soll.
• Input-/Output-Schema: Definieren Sie die erwarteten Eingabemerkmale und Ausgabevorhersagen.

Training eines Modells

Training starten

Sobald ein Modell erstellt wurde, starten Sie das Training durch Konfiguration von:

• Dataset: Die Datenquelle für das Training — tabellarische Daten oder Bilddaten.
• Zielspalte: Die vorherzusagende Spalte (für überwachtes Lernen).
• Hyperparameter: Algorithmusspezifische Einstellungen wie Lernrate, Batch-Größe, Epochen, Anzahl der Bäume usw.
• Rechenressourcen: Der Umfang der für das Training zugewiesenen Rechenressourcen.
• GPU-Beschleunigung: Optionale GPU-Ressourcen für Bild- und Deep-Learning-Modelle.
• Budgetstunden: Maximal zulässige Trainingszeit.

Trainingsoptionen

Training mit tabellarischen Daten

Für strukturierte Daten läuft das Training auf einem optimierten Backend, das für schnelles, skalierbares ML mit tabellarischen Daten entwickelt wurde. Dies ist die schnellste Option für strukturierte Datensätze und unterstützt alle gängigen ML-Modelltypen.

Training von Bild- und benutzerdefinierten Modellen

Für Bildklassifikation, Transfer Learning und benutzerdefinierte Modelle läuft das Training auf dedizierten Rechenressourcen mit GPU-Beschleunigung. Unterstützte Trainingspfade:

• AutoML Tabular: Automatisiertes Feature Engineering und Modellauswahl.
• AutoML Image: Automatisiertes Training von Bildklassifikationsmodellen.
• Transfer Learning: Feinabstimmung vortrainierter Modelle mit Ihren Daten. Konfigurierbare Epochen, Lernrate, Batch-Größe und Bildgröße.
• Benutzerdefinierte Modelle: Trainieren Sie benutzerdefinierte Deep-Learning-Modelle mit vollständiger Kontrolle über die Architektur.

Training überwachen

Der Trainingsfortschritt wird in Echtzeit verfolgt durch:

• Live-Fortschritts-Stream: Echtzeit-Fortschrittsupdates, die an die Benutzeroberfläche gesendet werden und Phase (Initialisierung, Training, Abgeschlossen), Prozentsatz und Meldungen anzeigen.
• Statusprüfung: Poll-basierte Statusprüfung mit automatischer Erkennung und Wiederherstellung veralteter Status.
• Aktivitätsverfolgung: Alle Trainingsaktivitäten werden mit Zeitstempeln, Kosten und Metriken protokolliert.

Grid Search (Hyperparameter-Tuning)

Verwenden Sie für die systematische Hyperparameter-Optimierung Grid Search, um automatisch mehrere Modellvarianten zu trainieren:

1. Definieren Sie ein Parameterraster, das die zu testenden Werte für jeden Hyperparameter angibt.
2. Legen Sie die maximale Anzahl paralleler Jobs fest (Standard: 5).
3. Das System generiert alle Parameterkombinationen und sendet jede als separaten Trainingsjob.
4. Ergebnisse werden verfolgt und verglichen, wobei Metriken für jede Kombination angezeigt werden.

Beispiel für ein Parameterraster:

{
  "learning_rate": [0.001, 0.01, 0.1],
  "batch_size": [16, 32, 64],
  "epochs": [10, 20, 50]
}

Dies würde 27 Kombinationen (3 x 3 x 3) erzeugen und jede davon trainieren.

Modellversionierung

Jedes Modell unterstützt mehrere Versionen, sodass Sie iterieren und vergleichen können:

• Version hinzufügen: Jeder Trainingslauf erstellt eine neue Version mit eigenen Hyperparametern, Metriken und Artefaktreferenzen.
• Live-Version: Befördern Sie eine bestimmte Version in den “Live”-Status für Bereitstellung und Inferenz.
• Version archivieren: Archivieren Sie alte Versionen, um aufzuräumen und dabei den Verlauf zu bewahren. Optional können Cloud-Artefakte bereinigt werden.
• Version löschen: Entfernen Sie eine Version und ihre Artefakte dauerhaft.
• Metriken aktualisieren: Rufen Sie Metriken für alle Versionen erneut ab und stellen Sie veraltete Trainingsstatus wieder her.

Versionsmetadaten

Jede Version speichert:

• Für das Training verwendete Hyperparameter
• Trainingskonfiguration (Zielspalte, Dataset, Modelltyp)
• Trainingsjob-Referenz
• Metriken (Accuracy, Precision, Recall, F1, AUC, Loss usw.)
• Laufzeit in Minuten und geschätzte Kosten in USD
• Modellartefaktreferenzen (für die Bereitstellung)

Modellbereitstellung

Trainierte Modelle können als API-Agenten für Echtzeit-Inferenz bereitgestellt werden:

• Tabellarische Modelle: Bereitstellung mit automatischer Auflösung der Modellreferenz. Das System überprüft, ob das Modell existiert, bevor es bereitgestellt wird.
• Bild-/benutzerdefinierte Modelle: Bereitstellung mit exportierten Modellartefakten. Das System stellt sicher, dass der Export verfügbar ist, bevor der Agent erstellt wird.

Die Bereitstellung erstellt einen containerisierten Dienst, der das Modell als REST-API bereitstellt. Weitere Informationen zur Agentenverwaltung finden Sie im Artikel zu AI Agents.

Modelle herunterladen

Laden Sie trainierte Modellartefakte in verschiedenen Formaten über sichere, zeitlich begrenzte Download-Links herunter. Wählen Sie Modell, Version und Format aus, um einen Download-Link zu generieren.

Aktivitätsverlauf

Die ML-Aktivitäten-Zeitleiste zeigt einen chronologischen Verlauf aller ML-Vorgänge in Ihrem Workspace, einschließlich Trainingsläufen, Grid Searches, Bereitstellungen und deren Status (Läuft, Abgeschlossen, Fehlgeschlagen). Jede Aktivität enthält Zeitstempel, Kosten und Links zum zugehörigen Modell und zur Version.