Registros

Logs de trabajos 🔗

Puede integrar recursos de trabajos con el servicio Logging para registrar detalles de ejecución de trabajo en un log personalizado.

Las salidas de salida estándar (stdout) y error estándar (stderr) del artefacto de trabajo se capturan y están disponibles en el log personalizado. Estas salidas no están disponibles para el servicio Data Science. Recomendamos que active la integración del registro para los trabajos, tanto para depurar posibles incidencias como para supervisar el progreso de la ejecución de los artefactos de trabajo.

Los mensajes de salida estándar se clasifican en el tipo "com.oraclecloud.datascience.jobrun.stdout", mientras que los mensajes de error estándar están en el tipo "com.oraclecloud.datascience.jobrun.stderr". Para ambos tipos, los metadatos de log incluyen "source", que es el OCID de la ejecución de trabajo que genera los mensajes.

Cuando la integración del registro está activada en las configuraciones de registro de trabajos, puede:

• Proporcionar su propio grupo de logs y su propio log para capturar salidas de ejecución de trabajo. Puede configurar todas las ejecuciones de trabajos para que utilicen el mismo log, pero no lo recomendamos. Los mensajes de log son más fáciles de leer cuando cada ejecución de trabajo genera una salida en su propio log.

  O bien

• Proporcionar su propio grupo de logs, pero activar el servicio Data Science para que cree automáticamente logs personalizados en su nombre al inicio de cada ejecución de trabajo dentro del grupo de logs especificado. Si la creación automática de logs está activada, no es necesario que configure los logs antes de cada ejecución de trabajo. Se asigna un nombre al log creado en jobrun-<partial-jobrun-ocid>-logs, pero el nombre se puede editar según sea necesario. Esto no afecta a la integración del registro con la ejecución de trabajo.

Para cualquier tipo de configuración de registro, la entidad de recurso de ejecución de trabajo debe tener permisos para escribir en los logs personalizados.

Logs de despliegue de modelo 🔗

Al integrar Logging para despliegues de modelos, se crean las categorías de log de acceso y predicción:

Logs de acceso

La categoría de log de acceso es un log personalizado que captura información detallada sobre las solicitudes enviadas al punto final del modelo. Esta información incluye la hora a la que se recibió la solicitud, los códigos de error, etc. Si tiene problemas con el despliegue del modelo, los logs de acceso son, por lo general, el primer log que desea consultar.

Los metadatos capturados por los logs de acceso de despliegue de modelo son:

logEmissionTime

Hora, en UTC, a la que se emitió el log desde el código.

message

Ruta de acceso de la solicitud.

modelLatency

Tiempo empleado para procesar una solicitud en el servidor de modelos en milisegundos.

opcRequestId

ID de la solicitud. Este valor es el mismo requestId que se recupera en la respuesta.

status

Código de estado de la respuesta a la solicitud.

Por ejemplo, una entrada de log de acceso para el despliegue del modelo podría ser:

"data": {
  "logEmissionTime": "2021-01-25T07:23:39.101Z",
  "message": "POST /predict 1.1",
  "modelLatency": 4.43,
  "opcRequestId": "0BC0860C17DC46D79A0A1A7B4F139829",
  "status": 200
}

Logs de predicción

Los logs de predicción se originan a partir de llamadas de registro (stdout y stderr) realizadas por la ejecución de código personalizado en archivos Python de artefacto del modelo. Los logs de predicción pueden emitir información útil sobre el modelo y son totalmente personalizables. La configuración de los logs de acceso y predicción forma parte de las acciones create y edit.

Los metadatos capturados por los logs de predicción de despliegue del modelo son:

MD_OCID

Valor de OCID de despliegue del modelo.

level

Nivel de registrador. También se conoce como nivel de gravedad del mensaje de log.

logEmissionTime

Hora, en UTC, a la que se emitió el log desde el código.

message

Mensaje personalizado emitido desde el código Python de artefacto del modelo.

name

Nombre del registrador utilizado.

Por ejemplo, una entrada de log de predicción para el despliegue de modelo podría ser:

"data": {
      "MD_OCID": "ocid1.datasciencemodeldeployment.oc1.iad.amaaaaaav66vvniauqakarfnyvn6gd2qt4fjpv2ffdnrthqyhqpapevmmh6a",
      "level": "ERROR",
      "logEmissionTime": "2021-01-27T08:43:04.029Z",
      "message": "exception :: name 'function' is not defined",
      "name": "root"
    },

Puede crear dos logs independientes para predecir y acceder, o bien puede utilizar el mismo para ambos.