Primeiros passos com traga seus próprios dados

Este é um guia para começar a usar o New Relic, traga seus próprios dados. Você aprenderá como instalar, executar e experimentar trazer seus próprios dados , ou BYOD, e começar a monitorar o desempenho de seus modelos de aprendizado de máquina.

Começo rápido

O uso do BYOD facilita o monitor de seus modelos de aprendizado de máquina em três etapas principais:

# 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)

Use este exemplo no Colab e experimente facilmente um exemplo completo de monitoramento de modelo.

instalação

A instalação é simples e semelhante a qualquer biblioteca python

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

Implementação

Este guia irá guiá-lo passo a passo para tudo o que é necessário para iniciar o monitoramento de seus modelos de Machine Learning

1. Defina sua variável de ambiente

Obtenha seu (também referenciado como ingest - license) e defina-o como variável de ambiente: NEW_RELIC_INSERT_KEY. Clique aqui para obter mais detalhes e instruções. Você está reportando dados para a região da UE ou do JP da New Relic? clique aqui para obter mais instruções.

2. Importar pacote

from ml_performance_monitoring.monitor import MLPerformanceMonitoring

3. Crie monitor de modelo

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. Execute seu modelo

y = my_model.predict(X)

5. Registro

ml_performence_monitor_model.record_inference_data(X, y)

6. Monitor e alertar

Feito! Para verificar seu aplicativo, acesse one.newrelic.com e veja os dados em tempo real.

Exemplos

Criamos esses notebooks no Google Colab para que você possa experimentá-los:

Experimente um modelo XGBoost no conjunto de dados de preços de moradias na Califórnia . Abra no colab.
Experimente como simular 24 horas de dados de inferência de modelo usando New Relic MLOps. Abrir em colab

Usuário da conta da UE e JP

Se você estiver usando uma conta da UE ou do JP, envie-o como um parâmetro na chamada MLPerformanceMonitoring se a sua variável de ambiente não estiver definida:

EVENT_CLIENT_HOST e METRIC_CLIENT_HOST
- Conta da região dos EUA (padrão):
  - EVENT_CLIENT_HOST: insights-collector.newrelic.com
  - METRIC_CLIENT_HOST: metric-api.newrelic.com
- Conta da região da UE:
  - EVENT_CLIENT_HOST: insights-collector.eu01.nr-data.net
  - METRIC_CLIENT_HOST: metric-api.eu.newrelic.com/metric/v1
- Conta da região do JP:
  - EVENT_CLIENT_HOST: insights-collector.jp.nr-data.net
  - METRIC_CLIENT_HOST: metric-api.jp.nr-data.net/metric/v1

Também pode ser enviado como parâmetro na chamada MLPerformanceMonitoring .

Esta tradução de máquina é fornecida para sua comodidade.