QuickMLパイプラインエンドポイント

機械学習（ML）パイプラインの主な成果は、新しいデータに対する予測に使用できるエンドポイントの作成です。これらのエンドポイントはトレーニング済みのMLモデルを使用して作成され、継続的な推論に使用できます。

MLモデルが開発およびトレーニングされた後、QuickMLユーザーはモデルの最新バージョンでエンドポイントを作成できます。このエンドポイントは、新しいデータに対する予測に使用できます。QuickMLはすべてのエンドポイントを監視し、モデルを改善できる領域を特定します。

公開モデルバージョン

QuickMLパイプラインを使用して機械学習モデルが生成された後、ユーザーは特定のモデルバージョンでエンドポイントとして公開することを選択できます。これにより、ユーザーはモデルをデプロイして正確な予測に使用できます。

パイプライン実行時にパイプラインステージの設定に変更がある場合、モデルはバージョニングされます。

モデルテスター

モデルの精度を確認するために、QuickMLエンドポイントモジュールにはモデルバージョンに対応したTest the Modelコンポーネントが統合されており、エンドポイントURLを使用してWebアプリ内でライブリクエストを行い、モデルの推論をテストできます。

モデル説明チャート

機械学習モデルのトレーニングに使用されたデータの各入力特徴量は、モデルの予測に影響を与えます。しかし、これらのモデルはブラックボックス動作を示すため、予測にどのように至ったかを理解することが困難です。各特徴量が最終予測に対してどの程度貢献しているかを定量化することは難しく、モデルの動作の理解を妨げます。

この問題に対処するため、QuickMLはモデル説明チャートを作成しました。このチャートは、x軸に予測への影響、y軸に特徴量のリストを表示します。

各特徴量について、予測への影響はSHAP（SHapley Additive exPlanations）値によって定量化され、機械学習モデルの判断を説明します。これらの値はモデルの判断を理解・解釈し、透明性を高めるのに役立ちます。x軸上の値の分布は、各特徴量が予測に対してポジティブまたはネガティブな影響を持つかどうかを、そのスコアとともに示します。

このチャートは、以下のようにエンドポイント詳細ページに配置されています。

まとめると、QuickMLのモデル説明チャートは、与えられた入力に対する最終予測結果に対する各特徴量の影響を示します。

モデル説明チャートビューのクイックリファレンス動画。

エンドポイント詳細ページにあるモデル説明チャートの概要では、レスポンスボックスに各特徴量の予測に対する影響スコアが表示され、上部のチャートで影響の視覚的表現が確認できます。

エンドポイント認証

ライブエンドポイントはQuickMLサービスからREST APIとして公開され、2つのモードでアクセスできます：

• 外部OAuth2認証
• 内部認証

外部OAuth2認証

REST APIとして公開されるエンドポイントは、Zohoアカウントの OAuth2メカニズムで認証されます。 ユーザーはアカウントコンソールからトークンを生成することで、外部から予測コールを行うことができます。

• 予測ガイドライン: REST APIコールを行うには、以下の情報を提供する必要があります：
• Request URL: 詳細に記載されたDeployment URL
• HTTP Method: POST
• Headers :

{ 
    'X-QUICKML-ENDPOINT-KEY' : ************************, 
    'Authorization': 'Zoho-oauthtoken ', 
    'CATALYST-ORG': ******** 
    'Environment': , 'Development/Production'
}

アクセストークンを生成するには、このドキュメントの手順に従ってください。

• Scope: QuickML.deployment.READ