Accelerated Data Science v2.5.9

• Se han agregado las siguientes clases específicas de la estructura para un despliegue de modelos rápido y sencillo:
  • AutoMLModel
  • SKlearnModel
  • XGBoostModel
  • LightGBMModel
  • PyTorchModel
  • TensorFlowModel
• Se agregó la clase GenericModel para marcos no incluidos en la lista anterior.
• Ahora puede desplegar los modelos mediante los métodos de estas nuevas clases:
  • .prepare(): crea score.py, runtime.yaml, información de modelo y archivos de esquema para ejecutar el modelo después del despliegue y agrega los artefactos de modelo a un directorio de artefactos.
  • .verify(): ayuda a probar el modelo localmente, antes de desplegarlo desde el catálogo de modelos en un punto final.
  • .save(): guarda los artefactos de modelo y modelo en el catálogo de modelos.
  • .deploy(): despliega el modelo del catálogo de modelos en un punto final de REST.
  • .predict(): llama al punto final y crea inferencias a partir del modelo desplegado.
• Se ha agregado soporte para crear trabajos con salida gestionada.
• Se ha corregido un error en los trabajos, donde las entradas de log se borraban cuando había un gran número de logs en un corto período de tiempo. Ahora puede mostrar todos los logs con jobwatch().

Consulte los ejemplos del bloc de notas de Data Science para desplegar modelos TensorFlow, XGBoost, LightGBM y PyTorch con estas nuevas clases. Para obtener más información, consulte Data Science, SDK de ADS, SDK de ocifs y nuestro blog de Data Science.