Migration des Notebooks d'essai
- Comment puis-je migrer mon Notebook d'essai vers le nouveau MLHub ?
Toutes les informations sur la migration se trouvent dans ce document. Voici un résumé rapide des étapes : Exporter les notebooks qui doivent être conservés avant de commencer le processus de mise à niveau. Convertissez les Notebooks, à l'aide d'un script que votre Customer Success Manager peut vous fournir. Après la mise à niveau, importez les Notebooks convertis. Cette opération doit être effectuée par l'utilisateur qui sera propriétaire du Notebook.
Veillez à prendre les mesures nécessaires avant la mise à niveau de votre installation TrendMiner vers la version 2022.R2.0. Pour plus d'informations, contactez votre Customer Success Manager ou support@trendminer.com - Mes Tags de Machine Learning Model fonctionneront-ils encore après la mise à niveau ?
Les tags Machine Learning Model sont automatiquement migrés lors de la mise à niveau vers TrendMiner 2022.R2.0 s'il existe une licence active pour les notebooks et les tags Machine Learning Model. Assurez-vous de vérifier cela avant de commencer le processus de mise à niveau (vous trouverez plus d'informations sur la façon de vérifier ici). - Les vignettes de mon Notebook d'essai DashHub ne fonctionnent plus, que dois-je faire ?
Les vignettes DashHub basées sur les notebooks d'essai ne sont pas automatiquement migrées et doivent être recréées. Supprimez les vignettes de votre Dashboard et suivez la procédure de cet article pour créer un objet pipeline à partir de votre notebook (migré) et configurer une nouvelle vignette de sortie de notebook à l'aide de ce pipeline. Notez que cette étape ne peut être réalisée qu'une fois la mise à niveau et la migration des notebooks sont terminées.
MLHub notebooks
- Quels langages de script sont pris en charge dans les Notebooks ?
L'ajout d'autres langues est prévu dans les prochaines versions. L'ajout d'autres langages est prévu dans les prochaines versions. Utilisez la fonction "Faire un vœu" dans le menu Aide pour nous faire savoir quelles langages vous aimeriez utiliser dans les Notebooks. - Comment puis-je installer d'autres langages ?
Actuellement, seul Python est pris en charge. Il n'est pas possible d'installer d'autres langages soi-même. L'ajout d'autres langages est prévu dans les prochaines versions. Utilisez la fonction "Faire un vœu" dans le menu Aide pour nous faire savoir quelles langages vous aimeriez utiliser dans les Notebooks. - Quels paquets puis-je utiliser ?
Les paquets Python suivants sont livrés par défaut avec MLHub : dask, ipykernel, ipython, Jinja2, Keras, matplotlib, nbformat, numba, numpy, nyoka, pandas, pandasql, plotly, protobuf, psutil, pyod, scipy, seaborn, scikit-learn, statsmodels, suod. Si votre serveur TrendMiner dispose d'une connexion Internet ouverte, vous pouvez également installer des paquets supplémentaires. - Comment puis-je installer plus de paquets ?
Vous pouvez installer des paquets supplémentaires en utilisant la commande pip install dans le code de votre Notebook. Notez que le serveur TrendMiner doit être connecté à l'Internet pour que cela fonctionne (veuillez vérifier auprès de votre administrateur local si c'est le cas). En utilisant cette commande, le paquet sera téléchargé dans votre kernel actuel. Exemple : "pip install tensflow" téléchargera et installera le dernier paquet TensorFlow. Il n'est pas possible d'installer des packages supplémentaires si votre serveur TrendMiner n'est pas en mesure de se connecter à l'Internet.
- Puis-je importer des scripts Python existants ?
Vous pouvez importer des notebooks en utilisant le bouton d'importation dans MLHub. Seuls les notebooks Jupyter (extension de fichier .ipynb) sont pris en charge - Puis-je exporter mes Notebooks ?
La barre d'outils du Notebook comporte une option permettant de télécharger votre Notebook (extension de fichier .ipynb). - Comment puis-je collaborer avec un collègue sur un Notebook ?
Vous pouvez partager votre Notebook avec un collègue via l'Organiseur de travail. Notez que votre collègue n'aura que des droits de visualisation sur le notebook et que les modifications qu'il apportera ne seront pas enregistrées. Le partage avec des droits d'édition est prévu d'être ajouté dans le futur. Utilisez la fonction "Faire un cœu" dans le menu Aide pour nous faire savoir si cela vous serait utile. - Quelles sont les données utilisées par MLHub lors du chargement d'une vue TrendHub ?
MLHub utilisera des données indexées, telles que sauvegardées par TrendMiner. L'extrait de code récupérera les données stockées dans la vue et les importera sous forme de dataframe dans votre Notebook. - Comment puis-je savoir que mon Notebook a été sauvegardé avec succès ?
Vous devez enregistrer manuellement votre Notebook après toute modification effectuée. L'ajout de messages de confirmation est prévu dans les prochaines versions. - Puis-je faire persister les extraits de contenu TrendMiner à travers les sessions de travail ?
Actuellement, ces snippets ne sont disponibles que dans votre session actuelle et ne sont pas persistés. Cela signifie que votre menu de contenu TrendMiner sera vide après le rechargement de la page. - Comment puis-je supprimer une cellule de mon Notebook ?
Il n'existe actuellement aucune option de suppression de cellule. Vous pouvez toutefois utiliser l'action "couper" pour supprimer la cellule. Notez que cela écrase le contenu actuel de votre presse-papiers. - Puis-je faire fonctionner tout mon Notebook sans redémarrer le kernel ?
Non, vous pouvez soit exécuter le Notebook cellule par cellule, soit choisir l'option permettant de redémarrer le kernel et d'exécuter l'ensemble du Notebook (il s'agit toutefois d'un seul clic). - Pourquoi les boîtes de dialogue de mon Notebook sont-elles en anglais au lieu de la langue de mon navigateur ?
TrendMiner utilise une technologie tierce pour les notebooks MLHub. Même si la plupart des fonctionnalités sont sensibles à la langue, nous ne pouvons pas garantir que chaque boîte de dialogue et chaque texte seront entièrement traduits pour ces fonctionnalités de notebook.
Vignettes pour le Notebook de DashHub
- Comment puis-je partager la sortie du Notebook sur un tableau de bord ?
Vous pouvez partager la sortie du notebook sur un tableau de bord dans DashHub via une vignette de sortie du notebook. Créez un objet pipeline à l'aide de l'option "Publish" sur les notebooks MLHub (plus d'informations ici). Ensuite, ajoutez une vignette de sortie Notebook à votre tableau de bord en utilisant le pipeline créé. Vous trouverez plus d'informations sur la configuration des vignettes DashHub ici. - Comment puis-je modifier le pipeline utilisé dans la vignette de mon Notebook DashHub ?
Actuellement, il n'est pas possible de modifier ou d'écraser les pipelines existants. Vous devez créer un nouveau pipeline à partir de votre Notebook et l'affecter à la vignette de sortie du Notebook.
Meilleures pratiques générales
- Avez-vous des pratiques d'excellence générales pour garantir les meilleures performances de nos Notebooks ?
Les conseils suivants devraient vous aider à assurer le bon fonctionnement de vos Notebooks :- Ne chargez pas inutilement de grands ensembles de données. N'incluez que les tags et les périodes de temps nécessaires dans les vues que vous allez charger dans vos Notebooks.
- Par exemple, si vous voulez montrer les données actuelles comparées à une ligne de régression calculée, n'incluez pas les étapes de calcul de la ligne de régression qui ont chargé des mois de données potentielles. Au lieu de cela, enregistrez la ligne de régression après le réglage des paramètres et dessinez-la immédiatement.
- Lorsque vous créez un objet pipeline à utiliser dans une vignette DashHub, n'incluez que les étapes nécessaires de vos notebooks. Omettez toutes les étapes qui ne contribuent pas au résultat final que vous souhaitez partager.
- Séparez l'entraînement du modèle de l'exécution du modèle. Ne réentraînez pas un modèle à chaque exécution d'une vignette de Notebook DashHub. Au lieu de cela, exécutez simplement le modèle sur les nouvelles données disponibles.
- Ne chargez pas inutilement de grands ensembles de données. N'incluez que les tags et les périodes de temps nécessaires dans les vues que vous allez charger dans vos Notebooks.
Performance
- Quelles sont les ressources système recommandées ?
Les ressources système recommandées pour TrendMiner y compris MLHub se trouvent dans le guide d'installation. MLHub can be found in the installation guide. Notez que les ressources système peuvent devoir être augmentées davantage en cas d'utilisation intensive des capacités de MLHub. - Combien de mémoire est allouée à mon Notebook et à la vignette de sortie de mon Notebook DashHub ?
Chaque kernel de Notebook se verra allouer 1GB de RAM. Le kernel sera purgé après 30 minutes d'inutilisation. Les vignettes de sortie du Notebook obtiennent 256 Mo de RAM lorsqu'elles sont rafraîchies, qui seront purgés directement après l'exécution du pipeline connecté. Veuillez vous référer aux meilleures pratiques générales ci-dessus pour éviter de vous heurter à des contraintes de mémoire. - Combien d'utilisateurs peuvent utiliser les Notebooks simultanément ?
Cela dépendra des ressources système disponibles et du nombre de vignettes du Notebook en cours d'exécution. Avec la configuration minimale requise (voir le guide d'installation ), il ne devrait pas y avoir de problème pour avoir au moins 4 utilisateurs simultanés utilisant les notebooks. Si vous remarquez des problèmes de performance lorsque plus d'utilisateurs utilisent MLHub ou avec une grande quantité de vignettes de sortie de notebook créées, les ressources du système (RAM et CPU) devront être augmentées. - Quel est l'impact de MLHub sur les performances de base de TrendMiner ?
MLHub, les Notebooks et les vignettes de sortie des Notebooks utilisent leurs ressources dédiées, indépendamment des services principaux de TrendMiner. Par conséquent, dans des circonstances normales, MLHub n'aura pas d'impact sur les performances de TrendMiner. Dans des cas exceptionnels cependant, une défaillance d'un autre service TrendMiner alors que MLHub demande beaucoup de mémoire, peut entraîner une défaillance de redémarrage de l'autre service.
Dépannage
- Pourquoi ne puis-je pas ouvrir un Notebook à partir de mon Organiseur de travail ?
L'ouverture d'un Notebook à partir de l'Organiseur de travail n'est actuellement pas prise en charge. Nous prévoyons d'ajouter cette fonctionnalité dans une prochaine version. Vous pouvez ouvrir votre Notebook en utilisant l'option "Charger" dans MLHub. - Que dois-je faire lorsque je reçois des erreurs de syntaxe ou d'autres erreurs spécifiques à python ?
Si l'erreur se produit sur un snippet TrendMiner chargé, n'hésitez pas à contacter support@trendminer.com pour étudier le problème. Les erreurs de syntaxe ou autres erreurs spécifiques à Python sur votre propre code sont de votre responsabilité de déboguer. - Pourquoi mon code a-t-il disparu après la fermeture du Notebook ?
Les Notebooks de MLHub ne s'enregistrent pas automatiquement. Vous devez sauvegarder explicitement votre notebook avant de le fermer. Nous vous recommandons de sauvegarder régulièrement vos modifications. - Pourquoi est-ce que j'obtiens une "erreur d'enregistrement de fichier" dans le Notebook ?
Cela se produit généralement lorsque vous avez supprimé le Notebook de l'Organiseur de travail alors qu'il était encore ouvert dans l'éditeur. - Que dois-je faire lorsque j'obtiens l'erreur "Something went wrong" dans une vignette de sortie de Notebook ?
Demandez au propriétaire du Notebook de vérifier si toutes les cellules nécessaires sont incluses dans l'objet pipeline. Si le code charge une grande vue ou contient du code compliqué, il se peut que la mémoire affectée à la vignette ne soit pas suffisante. Il se peut également qu'il n'y ait pas assez de ressources disponibles pour exécuter simultanément tous les notebooks et vignettes actuels.
Veuillez contacter support@trendminer.com après avoir effectué quelques vérifications initiales sur l'exhaustivité du pipeline, la complexité du code et le nombre d'utilisateurs de notebooks / vignettes de notebooks sur cette installation. Ces informations nous aideront à identifier la cause et à proposer une solution plus facilement.