Panoramica

SurveyAnalytica offre un ciclo di vita completo del machine learning all’interno della piattaforma, consentendoti di creare, addestrare, versionare, valutare e distribuire modelli ML senza scrivere codice. Le funzionalità ML coprono la classificazione e la regressione su dati tabulari, la classificazione delle immagini con AutoML e transfer learning, e l’addestramento di modelli personalizzati con risorse di calcolo dedicate.

Navigare verso i Modelli

Accedi all’interfaccia di gestione dei modelli ML dalla sezione Data. Quando visualizzi un dataset, la vista Predictions all’interno di analytics mostra i modelli addestrati e i loro risultati.

Creazione di un Modello

Per creare un nuovo modello, fornisci le seguenti informazioni:

• Nome: Un nome descrittivo per il tuo modello.
• Categoria: Il tipo di task ML — classificazione, regressione, clustering o forecasting.
• Tipo di Modello: L’algoritmo da utilizzare. Le opzioni includono:
  • Modelli tabulari: Regressione logistica, boosted tree, rete neurale profonda, random forest, XGBoost, serie temporali ARIMA, clustering K-means
  • Modelli per immagini: AutoML vision, modelli con transfer learning
  • Modelli di testo: Modelli linguistici, AutoML text
  • AutoML: Modelli tabulari e di classificazione automatizzati
• Workspace: Il workspace a cui appartiene questo modello.
• Data Entity: Il dataset su cui addestrare.
• Schema Input/Output: Definisci le feature di input e le predizioni di output attese.

Addestramento di un Modello

Avvio dell’Addestramento

Una volta creato un modello, avvia l’addestramento configurando:

• Dataset: La fonte dati per l’addestramento — dati tabulari o dati immagine.
• Colonna target: La colonna da prevedere (per l’apprendimento supervisionato).
• Iperparametri: Impostazioni specifiche dell’algoritmo come learning rate, batch size, epoche, numero di alberi, ecc.
• Risorse di calcolo: Il livello di risorse di calcolo allocate per l’addestramento.
• Accelerazione GPU: Risorse GPU opzionali per modelli di immagini e deep learning.
• Ore di budget: Tempo massimo di addestramento consentito.

Opzioni di Addestramento

Addestramento su Dati Tabulari

Per dati strutturati, l’addestramento viene eseguito su un backend ottimizzato progettato per un ML veloce e scalabile su dati tabulari. Questa è l’opzione più rapida per dataset strutturati e supporta tutti i tipi di modelli ML standard.

Addestramento di Modelli per Immagini e Personalizzati

Per la classificazione delle immagini, il transfer learning e i modelli personalizzati, l’addestramento viene eseguito su risorse di calcolo dedicate con accelerazione GPU. Percorsi di addestramento supportati:

• AutoML Tabular: Feature engineering e selezione del modello automatizzati.
• AutoML Image: Addestramento automatizzato di modelli di classificazione delle immagini.
• Transfer Learning: Affina modelli pre-addestrati sui tuoi dati. Epoche, learning rate, batch size e dimensione dell’immagine configurabili.
• Modelli Personalizzati: Addestra modelli di deep learning personalizzati con pieno controllo sull’architettura.

Monitoraggio dell’Addestramento

L’avanzamento dell’addestramento viene tracciato in tempo reale tramite:

• Live progress stream: Aggiornamenti di avanzamento in tempo reale inviati all’interfaccia utente che mostrano fase (inizializzazione, addestramento, completato), percentuale e messaggi.
• Controllo dello stato: Controllo dello stato basato su polling con rilevamento e ripristino automatico degli stati non aggiornati.
• Tracciamento delle attività: Tutte le attività di addestramento vengono registrate con timestamp, costi e metriche.

Grid Search (Ottimizzazione degli Iperparametri)

Per l’ottimizzazione sistematica degli iperparametri, usa Grid Search per addestrare automaticamente più varianti del modello:

1. Definisci una griglia di parametri specificando i valori da provare per ogni iperparametro.
2. Imposta il numero massimo di job paralleli (predefinito: 5).
3. Il sistema genera tutte le combinazioni di parametri e invia ciascuna come job di addestramento separato.
4. I risultati vengono tracciati e confrontati, mostrando le metriche per ogni combinazione.

Esempio di griglia di parametri:

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

Questo genererebbe 27 combinazioni (3 x 3 x 3) e addestrerebbe ciascuna.

Versionamento dei Modelli

Ogni modello supporta più versioni, consentendoti di iterare e confrontare:

• Aggiungi versione: Ogni esecuzione di addestramento crea una nuova versione con i propri iperparametri, metriche e riferimenti agli artifact.
• Versione live: Promuovi una versione specifica allo stato “live” per la distribuzione e l’inferenza.
• Archivia versione: Archivia le versioni precedenti per fare pulizia preservando la cronologia. Facoltativamente, elimina gli artifact cloud.
• Elimina versione: Rimuovi permanentemente una versione e i suoi artifact.
• Aggiorna metriche: Recupera nuovamente le metriche per tutte le versioni, ripristinando eventuali stati di addestramento non aggiornati.

Metadati della Versione

Ogni versione memorizza:

• Iperparametri usati per l’addestramento
• Configurazione di addestramento (colonna target, dataset, tipo di modello)
• Riferimento al job di addestramento
• Metriche (accuracy, precision, recall, F1, AUC, loss, ecc.)
• Minuti di runtime e costo stimato in USD
• Riferimenti agli artifact del modello (per la distribuzione)

Distribuzione del Modello

I modelli addestrati possono essere distribuiti come agenti API per l’inferenza in tempo reale:

• Modelli tabulari: Distribuiti con risoluzione automatica del riferimento al modello. Il sistema verifica che il modello esista prima della distribuzione.
• Modelli per immagini/personalizzati: Distribuiti con artifact del modello esportati. Il sistema garantisce che l’esportazione sia disponibile prima di creare l’agente.

La distribuzione crea un servizio containerizzato che espone il modello come API REST. Consulta l’articolo AI Agents per maggiori dettagli sulla gestione degli agenti.

Download dei Modelli

Scarica gli artifact dei modelli addestrati in vari formati tramite link di download sicuri e a tempo limitato. Seleziona il modello, la versione e il formato per generare un link di download.

Timeline delle Attività

La timeline delle Attività ML mostra una cronologia in ordine cronologico di tutte le operazioni ML nel tuo workspace, incluse esecuzioni di addestramento, grid search, distribuzioni e i relativi stati (in esecuzione, completato, fallito). Ogni attività include timestamp, costi e link al modello e alla versione associati.