Generación y publicación de modelos ML
- Onesait Platform
- fjlacevedo
Interfaz de usuario: 5.3.2-Ultimate
Introducción
Se va a generar un modelo de predicción a partir de datos sobre diabetes, modelo que va a permitir predecir una medida cuantitativa de la progresión de la enfermedad un año después de la línea base.
Para ello se van a utilizar los siguientes módulos de Onesait Platform:
Entidades: para generar una Entidad histórica donde cargar los datos.
File Repository sobre MinIO: para guardar el conjunto de datos original.
Notebooks: para utilizar un proceso paramétrico para obtener los datos de MinIO, entrenar y generar el modelo, y registrar todo en el módulo de MLFlow.
MLFlow: como gestor de modelos para registrar todos los experimentos del Notebook, y guardar el modelo y otros archivos para el entrenamiento.
Módulo Serverless: para crear una función Python escalable que, usando el modelo generado, pueda predecir la progresión de la enfermedad.
Sólo usuarios con rol de tipo «analista» o «administrador» podrán llevar a cabo este tutorial.
Datos
Para llevar a cabo este modelo predictivo se van a utilizar datos de diabetes obtenidos de la Universidad de Standford y cedidos por Bradley Efron, Trevor Hastie, Iain Johnstone y Robert Tibshirani. Concretamente, el dataset de datos a utilizar se puede descargar desde este enlace, y tiene el siguiente aspecto:
Este conjunto de datos, completamente anonimizado, se compone de diez variables con información de 442 pacientes diabéticos. Dichas variables hacen referencia a:
AGE: la edad del paciente, en años.
SEX: el sexo del paciente.
BMI: el índice de masa corporal.
BP: la presión sanguínea media.
S1: tc; colesterol sérico total.
S2: ldl; lipoproteínas de baja densidad.
S3: hdl; lipoproteínas de alta densidad.
S4: tch; colesterol total / HDL.
S5: ltg; logaritmo del nivel de triglicéridos séricos.
S6: glu; nivel de glucosa en sangre.
Cada una de estas diez variables de características se ha centrado en la media y se ha escalado por la desviación estándar multiplicada por n_muestras (es decir, la suma de cuadrados de cada columna suma 1).
Además, se cuenta con una medida cuantitativa de la progresión de la enfermedad un año después de la línea de base, denominada como «Y».
Ejecución del demostrador
A continuación se explican los diferentes pasos a llevar a cabo.
Paso 1.- Crear la Entidad
Una vez que se tienen los datos de diabetes descargados en el local, el primer paso consistirá en crear una Entidad para almacenarlos en Onesait Platform y poder trabajar con ellos.
En este caso, se va a crear una Entidad en una base de datos histórica. Para ello, se navegará desde Control Panel al menú de Conceptos principales > Mis Entidades.
Se mostrará entonces el listado de Entidades del usuario. Se pulsará en el botón de «+» para crear una nueva Entidad.
De entre las distintas opciones, se seleccionará la de «Creación Entidad en BD Histórica»:
Se cuenta con dos opciones de Entidad histórica. De ambas, se seleccionará la primera opción, la de «Creación Entidad en BD Histórica»:
Seguidamente se mostrará el asistente de creación de la Entidad en donde, al igual que en el resto de Entidades, se tendrá que introducir una información básica:
Identificación: el nombre único con el que identificar a la Entidad. En este caso se introducirá «diabetes_raw».
Meta-Información: etiquetas con las que caracterizar la Entidad, que servirán para su filtrado a la hora de hacer búsquedas. Se pueden añadir algunas etiquetas referidas al tema, como pueden ser «diabetes», «dataset» o «ml».
Descripción: texto descriptivo extendido de la Entidad, como su uso, propiedades, características, etc. Por simplificar, se añadirá «Diabetes raw dataset».
Además, contamos con dos opciones de caracterización de la Entidad:
Entidad activa: para que la Entidad funcione o se encuentre bloqueada.
Entidad pública: si se quiere que la Entidad sea pública, o si se quiere privada.
Una vez definida la información general y las opciones de la Entidad, pulsaremos en el botón de «Continuar» para acceder a la definición del esquema de la Entidad.
A continuación, se tendrá que crear los campos correspondientes a la cabecera de la tabla. Todos estos campos serán de tipo «string», y no será necesario indicar la descripción del campo.
Una vez creados los campos, se procederá a indicar las opciones del archivo original de los datos. Aquí se indicarán las siguientes opciones:
Formato: el formato del archivo de datos. En este caso se trata de un archivo separado por comas (CSV).
Carácter de escape: ninguno.
Carácter de citación: ninguno.
Carácter de separación: en este caso, los datos están separados por tabulaciones, por lo que se añadirá «/t» para indicar este tipo de carácter.
Seguidamente están las opciones de particiones, pero no aplican para este tutorial, por lo que se omiten.
Por último se tendrá que actualizar la consulta SQL de la Entidad. Para ello se pulsará en el botón de «Actualizar SQL», y al momento se mostrará la nueva consulta SQL:
Hecho esto, se terminará pulsando en el botón de «Crear», situado en la parte superior derecha de la pantalla, para crear la nueva Entidad.
<IMG>
Tras la Entidad, aparecerá un aviso indicando si se quiere añadir datos a la Entidad. Esto se realizará en el siguiente paso, por lo que se puede omitir.
<IMG>
Creada la Entidad, se regresará al listado de Entidades del usuario, en donde se podrá comprobar que aparece correctamente.
Paso 2.- Cargar los datos en MinIO
Aunque en el paso anterior era posible cargar los datos directamente, se quiere mostrar cómo subir el archivo de datos a un bucket de MinIO.
Para ello, desde Control Panel se navegará a Conceptos principales > Mis Ficheros.
De entre las diversas opciones disponibles, se escogerá la de «MinIO».
Se mostrará entonces el navegador de contenidos del Bucket de MinIO.
Además, en la parte inferior se visualizarán los archivos, propios y compartidos por otros usuarios, disponibles.
Se puede subir un archivo tanto usando el Bucket superior como desde el listado de archivos disponibles. Como la segunda opción es similar a otros recursos de la Plataforma, como las Entidades, se usará la primera opción para mostrar su funcionamiento.
Para ello, desde el navegador de contenidos, se pulsará en la carpeta de «datalake» y se navegará hasta el destino donde se quiera subir el archivo. Por ejemplo: «analyticsbucket/datalake/diabetes_raw».
Una vez en la ruta seleccionada, se pulsará en el botón de «Upload» y se seleccionará la opción de «Upload File» para subir el archivo desde el local:
Hecho esto, el archivo CSV con los datos de diabetes aparecerá en el listado del Bucket:
Puesto que más adelante se va a necesitar, es recomendable apuntar la ruta del archivo subido. Esto se puede ver en el listado de archivos inferior, que para este caso sería «analyticsbucket/datalake/diabetes_raw/select_diabetes.tab_20230927170218.csv».
Paso 3.- Crear el Notebook
Para crear un nuevo Notebook, desde Control Panel se navegará hasta el menú de Procesamiento > Mis Notebooks.
Se mostrará entonces el listado de Notebooks del usuario, así como aquellos públicos. Se pulsará en el botón de «+» para crear un nuevo Notebook.
Aparecerá entonces una ventana pidiendo que se introduzca el nombre del Notebook a crear. Aquí se indicará el nombre que interese, que para este ejemplo será «notebook_diabetes».
Una vez creado el Notebook, se procederá a configuración.
Paso 4.- Configurar el Notebook
El Notebook se compondrá se varios párrafos, cada uno de ellos orientado a definir una tarea.
En un primer párrafo se van a importar las librerías que se van a necesitar para llevar a cabo el experimento, así como definir el entorno de trabajo como variable global.
4.1.- Cargar la tabla de datos
We import request for doing rest calls and set global path vars
%python
import warnings
import requests
import io
import pandas as pd
import numpy as np
import mlflow
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import ElasticNet
from sklearn.linear_model import lasso_path, enet_path
# Set here the URL of the Platform instance
environment = "https://lab.onesaitplatform.com"
baseurl = environment + "/controlpanel/api/objectstorage"Para este tutorial se hará uso de CloudLab, la instancia de experimentación de Onesait Platform.
Seguidamente, en un nuevo párrafo, se definirán los parámetros de entrada que se ejecutarán como proceso en el Notebook.
Set input params if we want to execute this notebook as process
%python
token = z.input("token")
filepath = z.input("filepath")
alpha_str = z.input("alpha")
l1_ratio_str = z.input("l1_ratio")
alpha = float(alpha_str)
l1_ratio = float(l1_ratio_str)Algunos de estos parámetros (lo que presentan un z.input()) serán campos a introducir por el usuario que lleve a cabo el experimento, siendo:
Token: el token personal del usuario que lleva a cabo el experimento, y que puede encontrarse en el menú contextual anejo al nombre de usuario.
FilePath: la localización del archivo de datos que se ha cargado en MinIO, y que se comentó que era interesante apuntar. Como recordatorio, sería: «analyticsbucket/datalake/diabetes_raw/select_diabetes.tab_20230927170218.csv»
Alpha y l1_ratio: dos parámetros del experimento, que se mantendrán con el valor de «0.05».
A continuación se recuperará el archivo de datos de diabetes desde MinIO. Para ello se generará el siguiente párrafo:
Get file from MinIO
%python
response = requests.get(url = baseurl + "?filePath=" + filepath, params = {}, headers= {"X-OP-APIKey":token})
stream=response.contentSi existe algún problema con el token de usuario, mostrando el valor de la variable «stream» mostrará el error correspondiente.
Si no hay problemas con el token, se continuará creando un nuevo párrafo en el que se definirá la cabecera de la tabla, así como se creará la tabla en el Notebook.
We set the column for the dataset and read the content as csv
Para comprobar que la tabla se ha generado correctamente, se puede mostrar la tabla con el siguiente párrafo:
Show the file loaded as dataframe
La salida debería mostrar la tabla:
Si la tabla no llegase a cargar correctamente, se mostrará un mensaje que indica «Empty DataFrame»:
4.2.- Preparar los datos para el entrenamiento
Una vez que la tabla está cargada y los datos se muestran correctamente, seguidamente se va a preparar los datasets de entrenamiento y pruebas.
Para ello, se preparará un nuevo párrafo en el que se desactivarán los avisos, se generará una nueva semilla aleatoria, y se separará el dataset en dos grupos de datos: uno de entrenamiento, que contendrá el 75% de los datos, y otro de prueba, que contará con el 25% de datos restantes.
Split the data in train a test
Para comprobar los datasets de entrenamiento y prueba, se pueden generar dos nuevos párrafos con el siguiente código:
Show train set
Que mostrará:
Show test set
Que en este caso mostrará:
Con esto se comprueba que los datasets ya están preparados. Sin embargo, hay un campo que no hace falta, y es el de «progression», ya que esta columna predicha es una medida cuantitativa de la progresión de la enfermedad un año después del inicio.
Por tanto, se va a quitar dicha columna de los datasets de entrenamiento y prueba mediante el siguiente párrafo:
Split for target column
Para comprobar cómo quedan los datasets, se podrá mostrar los datos se manera similar a cómo se hizo previamente con estos párrafos:
Show train_x
Show train_y
Show test_x
Show test_y
Una vez que se ha comprobado que los datos son correctos, se procederá a realizar el entrenamiento con ElasticNet:
Run train with input params
Este párrafo no devolverá ninguna información, por lo que habrá que crear otro párrafo con la evaluación de las métricas para mostrar los resultados del modelo de entrenamiento:
Metrics Evaluation
Al ejecutarlo, debería de salir los siguientes resultados:
Se considera que, para este experimento, estos resultados son correctos, por lo que únicamente faltará registrar el experimento en la interfaz del componente MLFlow.
Paso 5.- Registrar los datos de entrenamiento y del modelo en MLFlow
Para registrar el experimento en el módulo de MLFlow, se creará un nuevo párrafo con el siguiente código:
Si todo va correctamente, el resultado será como el siguiente:
[ACTUALIZANDO]
También podemos importar este archivo que contiene el cuaderno completo para este ejemplo (sólo tienes que establecer el parámetro token).
Paso 6: Registrar los datos de entrenamiento y del modelo en MLFlow
Este es el código estándar para el seguimiento de un experimento en MLFlow. Incluye todo dentro de “with mlflow.start_run()“ para iniciar un nuevo experimento.
Las otras funciones son:
mlflow.set_tag("mlflow.runName", ...)→(opcional) para establecer un nombre de ejecución del experimento. Si no usas esto. sólo tendrás un id autogenerado, el ID del experimento.mlflow.log_param(...)→ registra un parámetro de entrada para el experimento.mlflow.log_metric(...)→ registra una métrica de salida para el experimento.mlflow.sklearn.log_model(lr, "model")→ registra y guarda el modelo entrenado con todos los archivos de metadatos necesarios.
Si ejecutas este párrafo, tendrás una salida como esta. El proceso de registro ha terminado bien.
Si vas a la interfaz de usuario del Gestor de Modelos en el Control Panel:
Podrás ver la ejecución del experimento con todos los parámetros de registro, las métricas y los archivos:
Al hacer clic en el experimento, se abre la página de detalles:
Y, al final de la página, podemos revisar todos los archivos de este experimento y el propio modelo:
El run id de la derecha (runs:/859953c3a0dd4596bd15d864e91081ab/model) es importante porque lo vas a utilizar para publicar el modelo en el siguiente paso. Ésta es la referencia que necesitas para recoger el modelo en el MLFlow y hacer algunas evaluaciones con él.
También puedes registrarlo con el fin de etiquetarlo, versionarlo y tenerlo fuera del experimento. Puedes hacerlo con el código o puedes utilizar el botón de registro en el lado derecho:
Y si vas a la pestaña modelo, puedes verlo y trabajar con él.
Paso 7: Crear una función Serverless en Python que evalúe los datos contra el modelo MLFlow
Con el modelo generado anteriormente, vas a crear una función Python que, con una entrada simple o múltiple, pueda obtener una predicción usando el modelo.
El primer paso es ir al menú Serverless Applications.
A continuación vas a crear (con el botón +) una nueva aplicación y vas a rellenar todas las entradas necesarias:
Puedes crear un nuevo repositorio o utilizar uno existente. En cualquier caso, vas a tener una nueva aplicación como esta:
Luego puedes ir al botón "Ver" y luego a la pestaña de funciones:
El siguiente paso es crear o utilizar una función serverless existente. Haz clic en "Create Function" y vas a crear tres archivos.
En primer lugar, selecciona la rama principal en el lado derecho:
Luego vas a crear (aquí o en el repositorio Git con un editor externo) los tres archivos:
requirements.txt → librerías que necesita tu modelo para ejecutarse. En este caso, vas a tener estos:
fdk
protobuf==3.20.*
numpy==1.23.4
mlflow==1.19.0
mlflow-onesaitplatform-plugin==0.2.11
scikit-learn
func.yaml → los metadatos del proyecto necesarios para la función sin servidor. El contenido será:
Es importante el triggers.source config para tener el endpoint para esta función, el nombre y el tiempo de ejecución.
func.py →el contenido de la función de evaluación en sí. Tienes que cargar las bibliotecas para evaluar el modelo, MLFlow y fdk para el punto final.
También utilizarás una variable de entorno para la entrada paramétrica del host, experimento y token.
Puedes guardar todo y desplegar tu función con el botón Rocket:
El último paso es poner las variables de entorno para el modelo con el botón:
Paso 8: Evaluación del modelo
Ahora puedes probar el modelo con la API REST con Postman por ejemplo enviando un array de JSON con la entrada:
O puedes crear un evaluador de modelo en el Dashboard Engine que utilice este punto final con alguna entrada proporcionada:
O puedes evaluar este modelo en un flujo de datos en batch o en streaming en el DataFlow con el componente evaluador correspondiente: