Fione

日本語

English

日本語

English

Appearance

EasyML ウィザード ​

EasyML ウィザードは、CSV ファイルから、学習済みのモデル、予測結果のファイル、動作する予測 API までを順に案内します。Fione の既定の表示で、機械学習の経験は要りません。

ウィザードは 5 つのステップで進みます。各ページの上部に進行状況が表示されます。データのアップロード、データ分析、実行、予測結果サマリー、予測の順です。このページでは、インストール で用意したアヤメのデータで手順を説明します。1 行目に列名がある CSV なら、同じ流れで使えます。

プロジェクトの作成、データのアップロード、学習、予測には、管理者または編集者のロールと、そのプロジェクトの編集権限が必要です。閲覧者は共有されたプロジェクトを見られますが、変更はできません(ユーザーと共有 を参照)。

1. プロジェクトを作成する ​

プロジェクトには、データ・学習・モデル・予測がまとめて保存されます。

プロジェクトの一覧

  1. プロジェクトを開き、新しいプロジェクトにプロジェクト名(例: Iris)を入力して、プロジェクトを作成を押します。
  2. 作成したプロジェクトを開きます。

2. データをアップロードする ​

  1. プロジェクトで学習データをアップロードを押します。
  2. iris.csv を選び(ページへのドラッグでも可)、アップロードして分析を押します。

学習データのアップロード

ファイルには、列名の入った 1 行目と、1 行に 1 件の例が必要です。予測したい列(花の品種や家の価格など)と、その予測に役立ちそうな列を含めてください。

3. データ分析 ​

データ分析のページには、行数・列数・空のセルの数と、データの先頭の行が表示されます。その下で、学習の内容を決めます。

データ分析ページ

  • 何を予測しますか？: Fione が予測する列をおすすめします(アヤメのデータでは species)。別の列にするには、列を選んで更新を押します。
  • 予測の種類: 分類(各行がどのカテゴリかを予測)か回帰(各行の数値を予測)のどちらかがおすすめとして示されます。おすすめが違う場合だけ変更してください。
  • どの列から学びますか？(入力する列): チェックした列が入力する列です。役に立たない列は、理由を添えてチェックが外されます。たとえば、答えのコピーになっている列、値で答えが決まってしまう列、行を識別するだけの列、値が 1 種類しかない列です。その列だけで答えを不自然なほどよく当てる列は、警告付きでチェックされたままになります。予測するときにその値が分かっているか確認してください。
  • 最大実行時間: 1 分、3 分、10 分、30 分、または分単位で入力するその他から選びます。この時間が来ると学習を止め、それまでで最良のモデルを残します。長いほど良いモデルが見つかることがあります。Fione はデータの大きさに合った時間を初期値にし、長めの時間を選んだ場合はそのことを知らせます。

これらの上には、アシスタントがデータについて平易な言葉でコメントします。ボタン 1 つで始められる学習(学習を始める)を提案することもあります。これには言語モデルが必要です。言語モデルがないときは、コメントの代わりにアシスタントが使えない旨が表示されるので、そのまま手で進めてください。詳しくは アシスタント をご覧ください。

アヤメのデータでは、おすすめのまま、最大実行時間で 1 分を選び、実行を押します。

4. 実行 ​

進行状況のページ(モデルを学習中)に、Fione の作業の様子が表示されます。試したモデル数、これまでの最小誤差、経過時間、残り時間です。ページは自動で更新されます。学習はサーバーで進むので、ページを離れても、あとで戻ってこられます。学習を中止を押すと、モデルを保存せずに学習を終えます。

実行の進行状況

学習が終わったら、予測結果サマリーを見るを押します。

5. 予測結果サマリー ​

予測結果サマリーには、次の内容が表示されます。

予測結果サマリー

  • 最良のモデルと、1〜5 個の星の評価。
  • スコアの意味を平易な言葉で説明した文。学習に使わなかった行での結果で、単純な当て推量と比べています。
  • アシスタントの短いコメント(言語モデルがあるとき)。
  • このモデルについて: 最良のモデル(または複数のモデルの組み合わせ)、予測の種類、試したモデル数、学習時間、学習が終わった理由。
  • 役に立った入力する列: モデルが最も頼りにした列。

評価の計算方法で、評価の考え方を確認できます。Fione は、学習に使わなかった行でモデルを試し(交差検証)、単純な当て推量と比べます。当て推量は、分類ならいつも最も多いカテゴリ、回帰ならいつも平均値です。この比較を 0〜1 の値にして、0.2 未満が星 1 つ、0.2 増えるごとに星が 1 つ増えます。

学習中にエラーが起きた場合は、その時点で最良のモデルを残し、このページでそのことをお知らせします。そのようなモデルの評価は最大で星 2 つです。もう一度実行すると改善するかもしれません。

6. 予測する ​

  1. サマリーで予測するを押します。新しい予測のページが開きます。
  2. 学習データと同じ入力する列をもつ CSV を選び(予測する列は不要なので、iris.csv が使えます)、アップロードを押します。足りない列がある場合は、Fione が一覧で知らせるので、列を追加してもう一度アップロードしてください。ほかの列があっても問題ありません。モデルは使いません。
  3. 結果に含める列で、予測の横に残したいファイルの列を選びます。予測は必ず含まれます。各予測の内訳を含めるを選ぶと、入力ごとに contrib_ で始まる列が加わり、各行の予測をその入力がどれだけ動かしたかが分かります。時間がかかります。
  4. 予測を実行を押します。

予測するデータのアップロード

予測結果と、先頭の行の理由

予測結果のページに先頭の行が表示され、ファイルをダウンロードできます(iris.csv なら predict_iris.csv をダウンロード)。ファイルには、予測したクラスの predict 列と、クラスごとの確率の p_<クラス> 列があります。回帰のモデルでは、predict が予測した数値です。結果は、予測結果という種類のデータセットとして、プロジェクトにも保存されます。

なぜこの予測になったかでは、先頭の 5 行について、予測の平均から出発して、どの列が予測を最も動かしたかが分かります。

7. モデルを公開する ​

モデルを自分のシステムから使うには、Fione Serving で予測 API として動かします。サマリーの自分のシステムで使うのカードに、サービング用ファイルをダウンロード(モデルのファイルが入った zip)と、実行する docker run コマンドが表示されます。

まず、サービング用イメージを 1 回ビルドします。モデルは学習したイメージのタグを記録していて、Fione Serving は同じタグのモデルしか読み込まないため、Fione と同じタグでビルドする必要があります。

sh
docker compose -f docker/compose.yaml --env-file docker/.env --profile serving build fione-serving

次に、ダウンロードしたファイルがあるディレクトリで実行します。

sh
unzip fione-serving-*.zip
docker run --rm -p 8081:8080 -v "$PWD/model:/model:ro" ghcr.io/codelibs/fione-serving:dev

別のターミナルで、モデルの入力する列を指定して 1 行を送ります。

sh
curl -s -X POST localhost:8081/invocations -H 'Content-Type: application/json' -d '{"instances":[{"sepal length (cm)":5.1,"sepal width (cm)":3.5,"petal length (cm)":1.4,"petal width (cm)":0.2}]}'

応答は次のようになります。確率の値はモデルによって異なります。

json
{"predictions":[{"label":"setosa","index":0,"class_probabilities":[0.9934803442259019,0.003455065889847104,0.0030645898842508773]}]}

止めるには Ctrl+C を押します。この予測 API に認証はなく、-p 8081:8080 ではこのマシンのすべてのネットワークインターフェースに公開されます。このマシンだけで使うなら、-p 127.0.0.1:8081:8080 にしてください。カードに表示されるコマンドは、モデルを学習したイメージのタグを使っています。dev 以外のタグで Fione をビルドした場合は、そのコマンドを使ってください。API の詳細は Fione Serving をご覧ください。

ウィザードのその先へ ​

アカウントのメニュー(右上の自分の名前)の表示で詳細を選ぶと、AutoML 画面が使えます。この切り替えで変わるのは表示だけで、できる操作は変わりません。設定はブラウザごとに記憶されます。詳細表示では次のものが加わります。

  • すべての列の統計とグラフ、すべての学習設定(データの大きさに合わせた推奨の実行時間から始まり、データ分析と同じ警告やヒントが表示されます): AutoML 画面 を参照。
  • ジョブ一覧と、リーダーボード・変数の重要度・スコアの履歴つきのモデル一覧、モデルのエクスポートとインポート: AutoML 画面 を参照。
  • 診断、説明、リーク警告: 説明とリーク警告 を参照。
  • プロジェクトの共有: ユーザーと共有 を参照。

管理者は、同じメニューからユーザー、Python モジュール、システムの状態も管理できます。Python から Fione を操作するには Python クライアント (fione-sdk) を使います。データやモデルについて平易な言葉で質問するには アシスタント を使います。本番で運用するときは 運用 をご覧ください。