Snowpark ML Ops : migration à partir de l’API en avant-première du registre des modèles¶

Importation et accès à l’API de registre¶

Les deux APIs de registre font partie du paquet principal Snowpark ML snowflake.ml.

from snowflake.ml.registry import model_registry

from snowflake.ml.registry import Registry

Création d’un registre¶

La Preview API exige que le registre soit créé par la bibliothèque Python.

model_registry.create_model_registry(...)

Ouverture d’un registre¶

Vous ouvrez un registre pour y ajouter de nouveaux modèles et pour travailler avec les modèles qui s’y trouvent déjà.

reg = model_registry.ModelRegistry(
          session=session,
          database_name="MODEL_REGISTRY")

reg = Registry(
          session=session,
          database_name="ML",
          schema_name="REGISTRY")

Journalisation d’un modèle¶

L’ajout d’un modèle au registre s’appelle journalisation. Les deux APIs utilisent une méthode de registre appelée log_model à cette fin. Cette méthode présente deux différences mineures dans la Public API :

• Le paramètre qui spécifie la version du modèle, précédemment appelé model_version, est maintenant appelé version_name pour mieux refléter sa sémantique.

• Vous ne pouvez pas définir de balises lors de l’enregistrement d’un modèle. Au lieu de cela, ajoutez des balises après la journalisation en utilisant la méthode set_tag du modèle.

Obtention d’une référence à un modèle¶

L’obtention d’une référence à un modèle permet de mettre à jour ses métadonnées et d’effectuer d’autres opérations sur celui-ci.

model = model_registry.ModelReference(
            registry=registry,
            model_name="my_model",
            model_version="101")

m = reg.get_model("my_model")

mv = m.version('v1')
mv = m.default

Déploiement d’un modèle¶

model.deploy(
    deployment_name="my_warehouse_predict",
    target_method="predict",
    permanent=True)

Utilisation d’un modèle pour l’inférence¶

L’inférence consiste à utiliser le modèle pour faire des prédictions sur les données d’essai.

result_dataframe = model.predict(
    "my_warehouse_predict", test_dataframe)

remote_prediction = mv.run(
    test_features, function_name="predict")

-- Use default version
SELECT my_model!predict() FROM test_table;

-- Use a specific version
WITH my_model_v1 AS MODEL my_model VERSION "1"
     SELECT my_model_v1!predict() FROM test_table;

Accès aux descriptions et mise à jour¶

print(model.get_model_description())

model.set_model_description("A better description")

print(m.comment)
m.comment = "A better description"

print(m.description)
m.description = "A better description"

print(mv.comment)
mv.comment = "A better description"

print(mv.description)
mv.description = "A better description"

Accès aux balises et mise à jour¶

print(model.get_tags())

model.set_tag("minor_rev", "1")

model.remove_tag("minor_rev")

print(m.show_tags())

m.set_tag("minor_rev", "1")

m.unset_tag("minor_rev")

Accès aux métriques et mise à jour¶

Dans les deux APIs, les métriques sont définies au niveau de la version du modèle.

model.set_metric("test_accuracy", test_accuracy)

model.set_metric("dataset_test", {"accuracy": test_accuracy})

model.set_metric("confusion_matrix", test_confusion_matrix)

print(model.get_metrics())

model.remove_metric("test_accuracy")

m.set_metric("test_accuracy", test_accuracy)

mo.set_metric("dataset_test", {"accuracy": test_accuracy})

m.set_metric("confusion_matrix", test_confusion_matrix)

print(m.get_metrics())

m.remove_metric("test_accuracy")

Suppression d’un modèle¶

registry.delete_model(
    model_name="my_model",
    model_version="100")

reg.delete_model("mymodel")

Répertorier des versions d’un modèle¶

model_list = registry.list_models()
model_list.filter(model_list["NAME"] == "mymodel").show()

version_list = m.versions()

version_df = m.show_versions()

Gestion du cycle de vie du modèle¶

Il est prévu de gérer le cycle de vie d’un modèle à l’aide de balises. Par exemple, vous pouvez créer une balise appelée stage pour enregistrer le statut actuel du modèle, en utilisant des valeurs telles que « expérimental », « alpha », « bêta », « production », « déprécié » et « obsolète ».

Dans la Public API, les balises sont mises en œuvre à l’aide d’objets de balises SQL. Voir Balisage d’objets pour savoir comment créer des balises et définir leurs valeurs autorisées.

La Public API a également le concept de version par défaut d’un modèle, qui est le modèle utilisé lorsqu’une version n’est pas spécifiée, en particulier en SQL. Lorsque vous formez une nouvelle version d’un modèle et que le nouveau modèle est prêt à être utilisé à grande échelle, vous pouvez mettre à jour la version par défaut. Vous pouvez définir la version par défaut en utilisant l’attribut default du modèle.

m.default = "2"

Vous pouvez alors obtenir la version par défaut du modèle, sous la forme d’un objet ModelVersion, comme suit.

mv = m.default

Ou vous pouvez appeler immédiatement sa méthode predict.

m.default.run(test_features, function_name="predict"))