Snowpark ML Ops: モデルレジストリのプレビュー API からの移行¶

レジストリ API のインポートおよびアクセス¶

レジストリ APIs は、どちらもメインのSnowpark ML パッケージ、 snowflake.ml にあります。

from snowflake.ml.registry import model_registry

from snowflake.ml.registry import Registry

レジストリの作成¶

プレビュー API には、Pythonライブラリで作成したレジストリが必要です。

model_registry.create_model_registry(...)

レジストリの開始¶

レジストリを開いて新しいモデルを追加したり、すでに登録されているモデルを操作したりします。

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

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

モデルのログ¶

レジストリにモデルを追加することを ログする といいます。APIs はどちらもこの目的のために log_model というレジストリメソッドを使用します。このメソッドには、パブリック API に2つの小さな相違があります。

• 以前は model_version と呼ばれていたモデルのバージョンを指定するパラメーターは、そのセマンティクスをよりよく反映するために、 version_name と呼ばれるようになりました。

• モデルのログ時にタグを設定することはできません。代わりに、モデルの set_tag メソッドを使用してログした後にタグを追加します。

モデルへの参照の取得¶

モデルへの参照を取得すると、そのモデルのメタデータを更新したり、他の操作を実行したりすることができます。

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

モデルの展開¶

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

推論に対するモデルの使用¶

推論 とは、テストデータに基づいて予測を行うためにモデルを使用することです。

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;

説明のアクセスおよび更新¶

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"

タグのアクセスおよび更新¶

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")

メトリクスのアクセスおよび更新¶

どちらも APIs で、メトリクスはモデルバージョンレベルで設定されます。

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")

モデルの削除¶

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

reg.delete_model("mymodel")

モデルのバージョンのリスト¶

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

version_list = m.versions()

version_df = m.show_versions()

モデルのライフサイクルの管理¶

タグを使用してモデルのライフサイクルを管理することが意図されています。たとえば、モデルの現在のステータスを記録するために stage というタグを作成し、「experimental」、「alpha」、「beta」、「production」、「deprecated」、「obsolete」といった値を使用します。

パブリック API では、タグは SQL タグオブジェクトを使用して実装されます。タグを作成し、その許容値を定義する方法については、 オブジェクトのタグ付け をご参照ください。

パブリック API にはモデルの デフォルトバージョン という概念もあり、これは特に SQL でバージョンが指定されていない場合に使用されるモデルです。モデルの新しいバージョンをトレーニングし、新しいモデルが幅広く使用できるようになったら、デフォルトバージョンを更新することができます。モデルの default 属性を使用してデフォルトのバージョンを設定することができます。

m.default = "2"

そして、次のように ModelVersion オブジェクトとしてモデルのデフォルトバージョンを取得することができます。

mv = m.default

あるいは、その predict メソッドをすぐに呼び出すこともできます。

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