Premiers pas avec Bring Your Own Data

Ceci est un guide pour démarrer avec la fonctionnalité « apportez vos propres données » de New Relic. Vous apprendrez à installer, exécuter et expérimenter avec Bring Your Own Data , ou BYOD, et à commencer monitoring les performances de vos modèles d'apprentissage machine.

Démarrage rapide

L'utilisation du BYOD facilite le monitoring de vos modèles de machine learning en 3 étapes principales :

# 1: Initialize the monitoring
ml_monitor = MLPerformanceMonitoring(...)

# 2: Add your algorithm
y = my_model.predict(X)

# 3: Record your data
ml_monitor.record_inference_data(X, y)

Utilisez cet exemple dans Colab et essayez facilement un exemple de bout en bout de monitoring de modèle.

installation

L'installation est simple et similaire à celle de n'importe quelle bibliothèque Python

pip install git+https://github.com/newrelic-experimental/ml-performance-monitoring.git

Mise en œuvre

Ce guide vous guidera étape par étape pour tout ce dont vous avez besoin pour commencer monitoring vos modèles de Machine Learning

1. Définissez votre variable d’environnement

Obtenez votre clé de licence(également référencé comme ingest - license) et définissez-le comme variable d'environnement : NEW_RELIC_INSERT_KEY. Cliquez ici pour plus de détails et d'instructions. Envoyez-vous des données à la région New Relic UE ? Cliquez ici pour plus d'instructions.

2. packaged'importation

from ml_performance_monitoring.monitor import MLPerformanceMonitoring

3. Créer un moniteur de modèle

metadata = {"environment": "notebook"}
model_version = "1.0"
features_columns, labels_columns = (
    ["feature_1", "feature_2", "feature_3", "feature_4"],
    ["target"],
)

ml_monitor = MLPerformanceMonitoring(
    insert_key=None,  # set the environment variable NEW_RELIC_INSERT_KEY or send your insert key here
    model_name="My stunning model",
    metadata=metadata,
    features_columns=features_columns,
    labels_columns=labels_columns,
    label_type="numeric",
    model_version=model_version
)

4. Exécutez votre modèle

y = my_model.predict(X)

5. Enregistrement

ml_performence_monitor_model.record_inference_data(X, y)

6. Monitorer et alerter

Terminé ! Pour vérifier votre application, accédez à one.newrelic.com et consultez les données en temps réel.

Exemples

Nous avons créé ces notebooks dans Google Colab pour que vous puissiez les tester :

1. Essayez un modèle XGBoost sur l'ensemble de données sur les prix de l'immobilier en Californie . Ouvrir dans colab.
2. Découvrez comment simuler 24 heures de données d’inférence de modèle à l’aide de New Relic MLOps. Ouvrir dans colab

Utilisateur de compte UE

Si vous utilisez un compte UE, envoyez-le en tant que paramètre lors de l'appel MLPerformanceMonitoring si votre variable d'environnement n'est pas définie :

• EVENT_CLIENT_HOST et METRIC_CLIENT_HOST

  • Compte de la région américaine (par défaut) :

    • EVENT_CLIENT_HOST: insights-collector.newrelic.com
    • METRIC_CLIENT_HOST: metric-api.newrelic.com

  • Compte de la région UE :

    • EVENT_CLIENT_HOST: insights-collector.eu01.nr-data.net
    • METRIC_CLIENT_HOST: metric-api.eu.newrelic.com/metric/v1

Il peut également être envoyé en tant que paramètres lors de l'appel MLPerformanceMonitoring .