檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
通過歷史數(shù)據(jù)學習得到的面向結構化任務場景，針對事物發(fā)展趨勢、狀態(tài)類別等進行量化預測的預訓練大模型
華穗預測性維護系統(tǒng)為客戶提供從數(shù)據(jù)收集、數(shù)據(jù)預處理、特征提取到預測模型整體鏈路的解決方案；產(chǎn)品特點：• 減少計劃外資產(chǎn)停機時間• 實時監(jiān)控資產(chǎn)的性能并預測其未來性能• 花更少的時間即可解決生產(chǎn)機械和現(xiàn)場資產(chǎn)問題• 優(yōu)化備件庫存，降低庫存成本 功能介紹：本產(chǎn)品聚
華穗預測性維護系統(tǒng)為客戶提供從數(shù)據(jù)收集、數(shù)據(jù)預處理、特征提取到預測模型整體鏈路的解決方案；產(chǎn)品特點：• 減少計劃外資產(chǎn)停機時間• 實時監(jiān)控資產(chǎn)的性能并預測其未來性能• 花更少的時間即可解決生產(chǎn)機械和現(xiàn)場資產(chǎn)問題• 優(yōu)化備件庫存，降低庫存成本 功能介紹：本產(chǎn)品聚
預測機制 預測的準確性 預測主要是基于用戶在華為云上的歷史成本和歷史用量情況，對未來的成本和用量進行預測。您可以使用預測功能來估計未來時間內(nèi)可能消耗的成本和用量，并根據(jù)預測數(shù)據(jù)設置預算提醒，以達到基于預測成本進行預算監(jiān)控的目的。由于預測是一種估計值，因此可能與您在每個賬期內(nèi)的實際數(shù)據(jù)存在差異。
報告指出，2018年以來，華為云積極升級預測分析和機器學習解決方案，不僅提供AI開發(fā)平臺ModelArts用于機器學習模型訓練和推理，同時集成了開源深度學習框架MindSpore，以及Ascend產(chǎn)品組合。此外，華為云還為用戶提供云上和邊緣設備上一致的模型開發(fā)和部署體驗。
預測的應用 用戶可以通過預測功能來估計未來時間內(nèi)可能消耗的成本和用量，也可以根據(jù)預測數(shù)據(jù)設置預算提醒，以達到基于預測成本進行預算監(jiān)控的目的。 查看預測數(shù)據(jù) 進入“成本分析”頁面。 單擊“新建自定義報告”。 設置周期。 按月查看預測數(shù)據(jù)時，支持的周期為：當前月、+3M、+6M、+12M；
項目實習生 深度學習模型優(yōu)化 深度學習模型優(yōu)化 領域方向：人工智能 工作地點： 深圳 深度學習模型優(yōu)化 人工智能 深圳 項目簡介 為AI類應用深度學習模型研發(fā)優(yōu)化技術，包括神經(jīng)網(wǎng)絡結構設計，NAS搜索算法，訓練算法優(yōu)化，AI模型編譯優(yōu)化等。 崗位職責 負責調研深度學習模型優(yōu)化技術
實時預測作業(yè)必須選擇訓練FiBiNet模型的參與方計算節(jié)點發(fā)布的數(shù)據(jù)集。 創(chuàng)建訓練模型時參數(shù)必須有"save_format": "SAVED_MODEL"。 創(chuàng)建聯(lián)邦預測作業(yè) 實時預測作業(yè)在本地運行，目前僅支持深度神經(jīng)網(wǎng)絡FiBiNet算法。 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理
使用模型 用訓練好的模型預測測試集中的某個圖片屬于什么類別，先顯示這個圖片，命令如下。 1 2 3 # display a test image plt.figure() plt.imshow(test_images[9]) 圖1 顯示用以測試的圖片 查看結果 查看預測結果，命令如下。
執(zhí)行實時預測作業(yè) 執(zhí)行實時預測作業(yè) 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理 > 聯(lián)邦預測”，打開聯(lián)邦預測作業(yè)頁面。 在“聯(lián)邦預測”頁面實時預測Tab頁，單擊“模型部署”，開始部署模型。 圖1 模型部署 模型部署完成后，單擊“發(fā)起預測”，在系統(tǒng)彈窗中填寫要預測的“
油氣行業(yè)：進行儲層參數(shù)預測，例如預測儲層的物理參數(shù)，如孔隙度、滲透率等，提高油氣資源的開發(fā)利用效率。進行產(chǎn)能分級預測，例如預測油井的產(chǎn)能等級，優(yōu)化油氣生產(chǎn)計劃。 電力行業(yè)：進行電力負荷預測，例如根據(jù)歷史負荷數(shù)據(jù)，預測未來的電力負荷，優(yōu)化電力生產(chǎn)和調度。 鋼鐵行業(yè)：進行鋼水溫度預測，例如預測鋼水溫度，提高澆注和連鑄的準確性和效率。
必須選擇一個已有模型才能創(chuàng)建批量預測作業(yè)。 批量預測作業(yè)必須選擇一個當前計算節(jié)點發(fā)布的數(shù)據(jù)集。 創(chuàng)建聯(lián)邦預測作業(yè) 批量預測作業(yè)在本地運行，目前支持XGBoost算法、邏輯回歸LR算法、深度神經(jīng)網(wǎng)絡FiBiNet算法。 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理 > 聯(lián)邦預測”，打開聯(lián)邦預測作業(yè)頁面。
模型評測結果的存儲位置。 命中浮動偏差值 設置命中指標的上下浮動范圍。如果某待預測指標在命中指標加減該值的范圍，則為命中。當“評測指標”選定“命中率”時需要設置該指標。 數(shù)據(jù)集配置 預測目標列：指定預測目標變量列名（注：當前僅支持單變量預測）格式：[""]。如：["result"]，[]表示默認最后一列。
刪除實時預測作業(yè) 刪除實時預測作業(yè) 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理 > 聯(lián)邦預測”，打開聯(lián)邦預測作業(yè)頁面。 在“聯(lián)邦預測”頁面實時預測tab頁，查找待刪除的作業(yè)，單擊“刪除”。如果作業(yè)處于“部署完成“狀態(tài)，需要單擊“停止部署”后，方可刪除。 刪除操作無法撤銷，請謹慎操作。
編輯批量預測作業(yè) 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理 > 可信聯(lián)邦學習”，打開可信聯(lián)邦學習作業(yè)頁面。 在“聯(lián)邦預測”頁面，選擇批量預測的Tab頁，找到待開發(fā)的作業(yè)，單擊“開發(fā)”。 圖1 開發(fā)作業(yè) 在彈出的對話框中編輯“選擇模型”。只允許選擇模型，其它作業(yè)參數(shù)暫時不支持修改。
進入所需空間。 圖1 我的空間 單擊左側導航欄“調用統(tǒng)計”。 選擇當前調用的預測大模型，可以按照不同時間跨度查看當前模型調用信息。 父主題： 調用預測大模型
在“聯(lián)邦預測”頁面批量預測Tab頁，查找待執(zhí)行的作業(yè)，單擊“發(fā)起預測”，在系統(tǒng)彈窗中填寫“分類閾值”，勾選數(shù)據(jù)集發(fā)起聯(lián)邦預測。 如果在創(chuàng)建聯(lián)邦預測作業(yè) 步驟4中勾選的模型不包含標簽方特征，聯(lián)邦預測支持只勾選己方數(shù)據(jù)集發(fā)起單方預測。 圖1 發(fā)起預測 圖2 勾選數(shù)據(jù)集 在“聯(lián)邦預測”頁面批量預測Tab
發(fā)布訓練后的預測大模型 預測大模型訓練完成后，需要執(zhí)行發(fā)布操作，操作步驟如下： 登錄ModelArts Studio大模型開發(fā)平臺，在“我的空間”模塊，單擊進入所需空間。 圖1 我的空間 在左側導航欄中選擇“模型開發(fā) > 模型訓練”，單擊模型名稱進入任務詳情頁。 單擊進入“訓練結果”頁簽，單擊“發(fā)布”。
貢獻，公平地分配模型預測結果至各個輸入特征。其具備數(shù)學上的嚴謹性與可加性，滿足： 貢獻歸因公平。 所有特征 Shapley 值之和等于當前樣本預測值與基準值（背景數(shù)據(jù)平均預測）的差。 該方法可為任意模型提供局部可解釋性，適用于復雜黑盒模型的決策歸因分析。 預測置信度 盤古融合推薦
刪除批量預測作業(yè) 刪除批量預測作業(yè) 用戶登錄進入計算節(jié)點頁面。 在左側導航樹上依次選擇“作業(yè)管理 > 聯(lián)邦預測”，打開聯(lián)邦預測作業(yè)頁面。 在“聯(lián)邦預測”頁面批量預測，查找待刪除的作業(yè)，單擊“刪除”。 刪除操作無法撤銷，請謹慎操作。 圖1 刪除作業(yè) 父主題： 批量預測
在線服務預測報錯MR.0105 問題現(xiàn)象 部署為在線服務，服務處于運行中狀態(tài)，預測時報錯：{ "erno": "MR.0105", "msg": "Recognition failed","words_result": {}}。 圖1 預測報錯 原因分析 請在“在線服務”詳情頁面
管理預測大模型部署任務 模型更新 完成創(chuàng)建預測大模型部署任務后，可以替換已部署的模型并升級配置，具體步驟如下： 登錄ModelArts Studio大模型開發(fā)平臺，在“我的空間”模塊，單擊進入所需空間。 圖1 我的空間 在左側導航欄中選擇“模型開發(fā) > 模型部署”，單擊模型名稱，進入模型詳情頁面。
AI快速成長路徑 AI快速成長路徑 AI入門 -AI開發(fā)的基本流程介紹 -ModelArts介紹 -ModelArts快速入門 AI進階 -自動學習簡介 -預測算法 -使用預置算法構建模型 AI工程師使用ModelArts -使用自定義算法構建模型 使用ModelArts VS Code插件進行模型開發(fā)
