Navegando na interface de implementação de ML
Ao abrir sua implementação de ML, você pode gerenciar seu status de aprovação e usá-la para criar previsões de conjuntos de dados.
Abra uma implementação de ML do catálogo. Há opções de navegação na interface do usuário para aprovação de modelo, informações de implementação, previsões de conjunto de dados e previsões em tempo real.
Status de aprovação do modelo
Antes que a implementação de ML possa gerar previsões, seu modelo de origem precisa ser ativado. Esse processo é conhecido como aprovação de modelo e ajuda a controlar o número de modelos implementados ativamente usados na assinatura.
Se você tiver as permissões corretas, poderá ativar e desativar o modelo de origem conforme necessário. Caso contrário, entre em contato com um administrador de locatários ou outro usuário com permissões suficientes.
Consulte:
Visão geral da implementação
A Visão geral da implementação mostra os recursos usados no treinamento do modelo e os detalhes da implementação.
Previsões de conjunto de dados
Previsões de conjunto de dados exibe uma visão geral das configurações de previsão da implementação de ML. Você pode ter várias configurações de previsão para uma implementação de ML.
Você pode usar o menu Ações para executar, editar ou excluir previsões. Você também pode editar e excluir programações de previsão neste menu.
Se nenhuma programação estiver configurada para sua previsão, você também pode usar o menu Ações para criar uma nova programação de previsão.
Se você selecionar Editar configuração de previsão, o painel Configuração de previsão será aberto.
Previsões em tempo real
O painel Previsões em tempo real no gerenciamento de modelos de ML fornece acesso à API de previsão em tempo real. Se o modelo na implementação de ML estiver ativado para fazer previsões, esse painel estará visível.
Para obter informações sobre a API de previsão, consulte Criando previsões em tempo real.
Exibir experimento de ML
Clique em Exibir experimento de ML no canto inferior esquerdo da página para abrir o experimento de ML a partir do qual a implementação de ML foi criada.