Machine Learning Hub und Notebooks
Was ist Machine Learning Hub?
Die Vision von TrendMiner, die Analytik zu demokratisieren, geht über die Befähigung von Domänenexperten mit Self-Service-Tools hinaus und umfasst auch eine engere Zusammenarbeit zwischen verschiedenen Experten, wenn es um die Lösung von Problemen geht. Einige der komplexesten Probleme erfordern den Einsatz von Data Scientists, die spezialisierte Techniken einbringen, die es Unternehmen ermöglichen, die tiefsten Erkenntnisse aus den verfügbaren Daten herauszuholen. Denken Sie an fortgeschrittene Statistik und Machine Learning Modelle.
Mit MLHub können Data Scientists auf TrendMiner-Daten zugreifen (sowohl auf Rohdaten als auch auf vorverarbeitete und kontextualisierte Daten in TrendMiner-Ansichten) und in der neuen Notebook-Umgebung Hypothesen validieren oder Modelle für maschinelles Lernen erstellen/trainieren/einsetzen, die andere Benutzer über Machine-Learning-Modell-Tags anwenden und in DashHub visualisieren können.
So verwenden Sie die MLHub
Wichtig
Auf MLHub kann nur zugegriffen werden, wenn die Zugriffsverwaltung eingerichtet ist, wofür eine separate Lizenz erforderlich ist. Einzelheiten zur Zugriffsverwaltung finden Sie hier. Kontaktieren Sie uns bei TrendMiner, wenn Sie weitere Informationen zur Lizenzierung benötigen.
In der oberen linken Ecke der TrendMiner-Umgebung finden Sie die Schaltfläche Hub-Auswahl. Hier können Sie auswählen, zu welchem Hub Sie navigieren möchten.
Klicken Sie auf die Schaltfläche "MLHub". Um den Startbildschirm zu schließen und die Notebook-Ansicht aufzurufen, klicken Sie auf Notebook in der oberen Leiste.
Über die obere Leiste können Sie zu Home, Notebooks, Work Organizer und Monitoring zurückkehren.
Die Notebook-Funktionalität von TrendMiner ist eine Plattform, die es Anwendern ermöglicht, innerhalb der TrendMiner-Umgebung über die robusten eingebauten Funktionen hinaus erweiterte Tools zu erstellen und damit zu arbeiten.
Mit eingebetteten Notebooks sind Sie in der Lage:
Laden Sie Daten aus einer TrendHub-Ansicht, die mit den typischen TrendMiner-Funktionen vorbereitet wurde (Auswahl einer Reihe interessanter Tags, Auswahl der interessierenden Zeiträume z.B. über die Suche, ...)
Visualisieren und analysieren Sie Ihre Daten auf verschiedene Arten, die in TrendMiner nicht möglich sind.
Führen Sie die Automatisierung von Analysen über Skripte durch (z.B. wiederholte Analysen über eine große Anzahl von Assets).
Erstellen Sie (prädiktive) Tags mit Hilfe benutzerdefinierter Modelle (z.B. neuronale Netze oder Clustering), die von den typischen Notebook-Bibliotheken unterstützt werden.
Sie können die erweiterten Visualisierungsoptionen nutzen, die in das Notebook integriert sind. Das eingebettete Notebook verfügt über eine eigene Notebook-Kachel, so dass Sie Ihre Arbeit auch in ein DashHub-Dashboard einbetten und für Ihr gesamtes Unternehmen zugänglich machen können.
Anmerkung
Interpreter - Der Standardinterpreter der Notebooks ist Python.
Auf der Registerkarte Notebook von MLHub können Sie entweder ein neues Notebook erstellen oder ein vorhandenes Notebook laden oder importieren. Ein neues Notebook ist immer leer.
Öffnen Sie die Registerkarte Notebook in MLHub.
Klicken Sie auf „Neues Notebook“.
Füllen Sie die offenen Felder aus und wählen Sie einen Exportordner zum Speichern Ihres neuen Notebooks.
Klicken Sie auf die Schaltfläche "Erstellen".
Wählen Sie die Kernel-Konfiguration, die Sie starten möchten.
Wählen Sie die Kernel-Konfiguration, die Sie starten möchten. Wir bieten Kernel mit vorinstallierten Visualisierungspaketen an. Wir empfehlen Ihnen den Start mit dem Kernel „Python 3.11 on Kubernetes“.
Bestätigen Sie Ihre Auswahl, indem Sie auf „Auswählen“ klicken.
Es wird ein neues Notebook geöffnet, in das Sie Ihren Python-Code schreiben können. Vielleicht möchten Sie unseren Boiler-Plate-Code einfügen, der dringend empfohlene Pakete lädt, da Sie ihn zum Einlesen der TrendMiner Inhalte benötigen. Sie können diesen Code hinzufügen, indem Sie auf die Snippet-Schaltfläche "initialization script" im Snippet-Menü auf der linken Seite klicken.
Öffnen eines Notebooks
Klicken Sie auf die Registerkarte „Dateien“ von MLHub.
Klicken Sie auf „Öffnen“.
Sie können Ihre Notebooks nun unter „Meine Arbeit“ oder „Favoriten“ einsehen. Klicken Sie auf das Notebook, das Sie öffnen möchten.
Sie können auch auf Notebooks zugreifen, die von anderen Benutzern unter „Mit mir geteilt“ für Sie freigegeben wurden.
Öffnen Sie die Registerkarte Notebook in MLHub.
Klicken Sie auf die Schaltfläche "Importieren". Auf der rechten Seite des Bildschirms erscheint ein Panel.
Auf der rechten Seite des Bildschirms erscheint ein Panel. Wählen Sie, ob Sie ein Notebook mit Ihrem lokalen Dateibrowsersystem hochladen oder den work organizer verwenden möchten. Es werden nur Jupyter-Notizbücher (Dateierweiterung .ipynb) unterstützt.
Wählen Sie "Importieren".
Anmerkung
Ab Version 2022.R2 sind nur noch "TrendHub Views" und "ContextHub Views" als TrendMiner-Inhalte verfügbar. Weitere Inhalte werden in späteren Versionen eingeführt.
Sie können beispielsweise TrendHub- oder ContextHub-Ansichten von guten und/oder abnormalen Betriebsperioden laden und sie dann mit Hilfe der erweiterten Analyse vergleichen und zu Ihrer TRENDMINER CONTENT-Liste hinzufügen.
Klicken Sie auf die blaue Schaltfläche "+". Es erscheint ein Seitenfenster auf der rechten Seite.
Wählen Sie das/die gespeicherte(n) Item(s), die Sie als Datensatz hinzufügen möchten.
Klicken Sie auf "Laden".
Items in der Inhaltsmenüliste können entweder geöffnet oder gelöscht werden. Zum Löschen klicken Sie auf das x im Menü, das sich rechts neben dem zu löschenden Item befindet.
Klicken Sie auf den neuen Inhalt, um ihn zu öffnen. Dadurch wird der entsprechende Python-Code in eine neue Zelle am Ende des Notebooks eingefügt.
Weitere Informationen erhalten Sie, indem Sie den folgenden Befehl im Notizbuch ausführen:
help(trendminer.dataframes.data_frames)
load_view( ): Lädt die Zeitreihendaten einer gespeicherten TrendHub-Ansicht in eine Liste von Pandas DataFrames.
Pro Ebene in der Ansicht wird ein DataFrame zurückgegeben.
Jeder DataFrame kann über einen anderen Satz von Tags verfügen.
Mit den optionalen Parametern [layer_ids] können Sie nur eine bestimmte Liste von Ebenen laden (identifiziert durch die Ebenen-IDs, die von der Funktion view_info bereitgestellt werden).
view_info( ): Sammelt Informationen über eine Ansicht anhand ihrer ID. Diese Informationen können zum Abrufen von Daten aus einer Ansicht verwendet werden: Es werden alle Ebenen aufgelistet, die in der Ansicht enthalten sind. Beim Abrufen von Daten aus der Ansicht können Sie Ebenen auswählen, die in die Daten aufgenommen werden sollen.
Ausschnitte
Derzeit sind Snippets in Python-Kernels zur Bereitstellung von Machine-Learning-Modellen einsetzbar.
Wenn Sie eine Notebook-Ausgabezelle mit einem interessanten Ergebnis oder einer Visualisierung haben, die Sie teilen möchten, können Sie diese in einem Notebook-Pipeline-Objekt veröffentlichen.
Schritte:
Klicken Sie auf die Schaltfläche „Veröffentlichen“ in der oberen rechten Ecke.
Wählen Sie ALLE Zellen aus, die für die gewünschte Ausgabe relevant sind, einschließlich „import“-Anweisungen und Variablendeklarationen. Stellen Sie sicher, dass die zuletzt ausgewählte Zelle eine gültige Ausgabe erzeugt. Sie können eine Zelle auswählen, indem Sie auf eine beliebige Stelle darin klicken, oder indem Sie die Kontrollkästchen in der oberen rechten Ecke verwenden.
Klicken Sie erneut auf „Veröffentlichen“. Es erscheint ein Dropdown-Menü, in dem Sie auswählen können, ob Sie das Notizbuch in einer neuen Pipeline veröffentlichen oder eine bestehende Pipeline überschreiben möchten.
Um ein Notizbuch in einer neuen Pipeline zu veröffentlichen, geben Sie den Namen ein und legen Sie den Speicherort im Work Organizer fest. Klicken Sie auf „Veröffentlichen“, um die Auswahl zu bestätigen. Dadurch wird ein „Pipeline“-Objekt erstellt, bei dem es sich um ein Mini-Notizbuch handelt, das nur die ausgewählten Zellen enthält. Pipelines stehen in keiner Verbindung zu ihren ursprünglichen Notizbüchern, sondern sind eigenständige Einheiten.
Anmerkung
Wenn Sie ein Notizbuch aktualisieren, müssen Sie auch ein neues Pipeline-Objekt erstellen.
Wenn Sie eine vorhandene Pipeline überschreiben möchten, wählen Sie die Pipeline, die Sie überschreiben möchten, im Work Organizer aus und klicken Sie auf„Veröffentlichen“.
Sie verfügen nun über ein Pipeline-Objekt, das den Code der von Ihnen ausgewählten Zellen enthält.
Mit DashHub kann jede Ausgabe eines Notebook-Absatzes in einer Dashboard-Notebook-Kachel angezeigt werden.
Notizbuchkachel erstellen
Gehen Sie zu DashHub und erstellen Sie ein neues Dashboard oder öffnen Sie ein zuvor erstelltes Dashboard.
Klicken Sie auf die Schaltfläche „Aktionen“. Es erscheint ein Dropdown-Menü.
Klicken Sie auf „Neue Kachel hinzufügen”. Auf der rechten Seite erscheint ein Seitenbereich.
Klicken Sie auf die Option „Notebook-Ausgabe“.
Geben Sie einen Titel für die Dashboard-Kachel ein.
Wählen Sie das Pipeline-Objekt aus dem Work Organizer aus.
Passen Sie gegebenenfalls die Aktualisierungseinstellung an.
Klicken Sie auf „Neue Kachel hinzufügen”.
Anmerkung
Beim Freigeben einer DashHub-Kachel müssen auch die zugrunde liegenden Ansichten und Notebook-Pipeline-Objekte freigegeben werden.
Das Freigeben eines Notizbuchs führt zu einem symbolischen Link zum ursprünglichen Notizbuch. Das bedeutet, dass der Ersteller Eigentümer der Stammdaten des Notizbuchs bleibt. Änderungen an Zellen werden nach dem FIFO-Prinzip gespeichert und erst bei einer Bildschirmaktualisierung übernommen.
Die veröffentlichten Pipeline-Objekt-Ausgabeobjekte sind nicht mehr mit den ursprünglichen Notizbüchern verknüpft. Nach der Veröffentlichung wirken sich Änderungen am Notizbuch nicht mehr automatisch auf das vorhandene Notizbuch-Pipeline-Objekt aus. Auf diese Weise können Benutzer die Ausgaben der Notizbuchzellen optimieren, ohne dass dies Auswirkungen auf andere Benutzer/Betrachter hat.
Die Notebooks und Visualisierungen der Notebook-Ausgaben werden entsprechend Ihren Berechtigungen und Privilegien ausgeführt. Das bedeutet, dass einige Datenquellen möglicherweise blockiert sind und Sie nur Daten verarbeiten können, die Ihrer Rolle entsprechen.