AutoAI の実験に関するトラブルシューティング

AutoAI で既知の一般的な問題を以下にリストします。 AutoAI の実験が正常に実行またはデプロイされない場合は、よくある問題と解決策を確認してください。

大きなデータ・セットを使用した実験トレーニングの高速化

モデルのトレーニングがタイムアウトになるか、または異常に長い時間がかかることが判明した場合は、トレーニング時間を短縮するための以下のガイドラインを考慮してください。

AutoAI ツールの「エクスペリメント設定」ページから、以下のようにします。

  • 「 最適化されたアルゴリズムの選択 」オプションが「 スコアおよびランタイム」に設定されていることを確認します。
  • XGBRegressor モデルを無効にします。 この調整は、より迅速に結果を取得するのに役立ちますが、スコアが若干低くなる可能性があります。

コード化された実験の場合:

  • SDK 資料 の説明に従って、パス・ daub_give_priority_to_runtime ・パラメーターを渡します。
    注: このパラメーターは、実験の不確定性 (再現不能性) を増大させる可能性があります。

不完全な入力値または外れ値の入力値を デプロイメント に渡すと、外れ値の予測につながる可能性があります

機械学習モデルをデプロイした後、モデルのトレーニングに使用されたデータとは大きく異なる入力データを提供すると、外れ値の予測が生成される可能性があることに注意してください。 Ridge や LinearRegression などの線形回帰アルゴリズムにスケール外の入力値が渡されると、モデルは値を推定し、それに比較的大きな重みを割り当て、適合データと一致しないスコアを生成します。

サポート機能を備えた時系列パイプラインが取得に失敗する

サポート・フィーチャーを使用して時系列実験をトレーニングし、システムが予測用のパイプラインを取得しようとしたときに「エラー: 名前「 tspy_interpolators 」が定義されていません」というエラーが表示された場合は、システムが Java 8 以上を実行していることを確認してください。 AutoAI

データ取り込みの変更により、古いモデルとのスキーマの相違が生じる可能性があります

Cloud Pak for Data 4.5 以降、同じ手法を使用して、プロジェクトの データ資産 および接続されたデータ・ソースからデータを読み取ります。 これにより、さまざまなデータ・ソース間でスキーマの検出が調整されます。 この手法では、 Cloud Pak for Data の以前のリリースで作成したモデルと比較した場合に、スキーマの違いが生じる可能性があることに注意してください。

接続されたデータのストレージ・ボリュームは、 AutoAI ポッドと同じ名前空間にある必要があります

AutoAI エクスペリメントをトレーニングするためにストレージ・ボリューム内の接続済み データ資産 にアクセスしようとしている場合、ストレージ・ボリュームが AutoAI ポッドが実行されている名前空間とは異なる名前空間にあると、以下のようなエラーが発生する可能性があります。

The job runtime failed to start in 360 seconds ... persistentvolumeclaim "<volume-name>" not found.

管理者に、ボリュームが AutoAI ポッドと同じ名前空間にあることを確認するよう依頼してください。

適用対象: Cloud Pak for Data 4.5.0 以降

古い時系列エクスペリメントでは、ノートブックを生成するために再トレーニングが必要になる場合があります

古い時系列エクスペリメントのノートブックを生成しようとすると、エクスペリメント・コードを保存したり、パイプラインをノートブックとして保存したりすることはできません。 この問題を解決するには、エクスペリメントを再トレーニングして、再試行してください。

適用対象: Cloud Pak for Data 4.5.0 以降

パイプラインまたは実験ノートブックの実行が、ソフトウェア仕様のエラーにより失敗します

AutoAI エクスペリメントのサポート対象ソフトウェア仕様が変更された場合、古いソフトウェア仕様 (古いバージョンの Python など) で作成されたノートブックを実行すると、エラーが発生する可能性があります。 その場合は、実験をもう一度実行してから、新しいノートブックを保存し、再度試してみてください。

メモリ不足エラーの解決

AutoAI によって生成されたノートブックからセルを実行するときにメモリー・エラーが発生した場合は、 AutoAI ノートブック用により多くのリソースを持つノートブック・ランタイムを作成し、セルを再実行してください。

ノートブックでのデータ・アクセス・エラーの解決

エクスペリメントまたはパイプライン・ノートブック内のデータに接続している場合は、 FlightUnavailableError または FileNotFoundError を含むエラーが、データ接続サービスの問題を示している可能性があります。 この状態は、クラスターの外部でノートブックを実行している場合に発生する可能性があります。 回避策として、データを Pandas DataFrame オブジェクトとして提供することができます。 例えば、.CSV ファイルを読み取るには、pandas.read_csv() を使用するか、ノートブック・ツールバーからコード・スニペット アイコン (「コード・スニペット」アイコン) をクリックし、データの読み取りをクリックして、選択したデータ・ソース用に生成されたコードを使用します。

AutoAI ノートブック・エラーは手動アップグレードが必要

AutoAI ・ノートブックを実行している場合、以下のいずれかの問題が発生する可能性があります。

  • Failed to GET project は、 デプロイメント・スペース から AutoAI ノートブック・ ジョブ を実行すると発生する可能性があります。 これは、ノートブックを実行するために必要な project_libs ライブラリーにノートブックがアクセスできないことを示します。 解決方法:

    1. 次のように、データ参照を含むセルを変更します。

      df = training_data_reference[0].read(experiment_metadata=experiment_metadata)

    2. Python クライアントを最新バージョンに手動でアップグレードします。

      !pip install -U ibm-watson-machine-learning

    3. ノートブック・カーネルを再始動します。

  • TypeError: list indices must be integers or slices, not str は、データ・ソースへのアクセスに問題があることを示します。 解決方法:

    1. Python クライアントを最新バージョンに手動でアップグレードします。

      !pip install -U ibm-watson-machine-learning

    2. ノートブック・カーネルを再始動します。

サブサンプリングを用いた実験用のノートブックでは、予測の生成に失敗する場合がある

パイプライン・リファイナリーを使用してモデルを準備し、エクスペリメントでトレーニング中にデータのサブサンプリングを使用する場合、エクスペリメントから保存されたノートブックを実行すると、「不明なクラス」エラーが発生する可能性があります。

この問題は、トレーニング・データ・セットに含まれていない不明なクラスが原因で発生します。 回避策は、トレーニングにデータ・セット全体を使用するか、エクスペリメントで使用されるサブサンプリングを再作成することです。

トレーニングデータを部分抽出するには（実行前に fit()）、行数またはサンプルに対する割合（実験で行ったように）でサンプルサイズを指定してください。

  • サブサンプリング設定でレコード数が使用されていた場合、その値を増やすことができます n。 例:

    train_df = train_df.sample(n=1000)

  • サブサンプリングをデータセットの割合として表す場合は、の値を大きくしてください frac。 例:

    train_df = train_df.sample(frac=0.4, random_state=experiment_metadata['random_state'])

二値分類におけるパイプラインの作成に失敗しました

AutoAI データの一部を分析し、実験の種類に最適なモデルを特定します。 予測列のサンプルデータに2つの値しか含まれていない場合、 AutoAI は二値分類実験を推奨し、関連するアルゴリズムを適用します。 ただし、完全なデータ・セットに予測列の値が 2 つを超えると、二項分類は失敗し、 AutoAI がパイプラインを作成できないことを示すエラーが表示されます。

この場合、実験タイプを手動で「二値分類」から、値の範囲が定義されている場合は「多クラス分類」に、値の範囲が定義されていない場合は「回帰」に変更してください。

  1. 「実験の設定を変更」 アイコンをクリックして、実験の設定を編集してください。
  2. 「エクスペリメント設定」の 予測 ページで、予測タイプを、予測列のデータに最も適合するタイプに変更します。
  3. 変更を保存して、実験をもう一度実行してください。

Cloud Pak for Data の古いバージョンからアップグレードした後の AutoAI ノートブックの更新

Cloud Pak for Data の以前のバージョンで作成された AutoAI ・ノートブックを実行しようとすると、ノートブックが unsupported framework エラーで失敗する可能性があります。 この問題を解決するには、以下の 2 つのオプションがあります。

  1. 最新のフレームワークを取得するには、エクスペリメントを再トレーニングし、新しいノートブックを保存します。

  2. 既存のノートブックを使用するには、以下のコマンドを削除して、より高いバージョンの Python クライアントを使用します。

    !pip install 'ibm-watson-machine-learning==1.0.66' | tail -n 1
    注。

    Watson Studio の外部でノートブックを実行する場合は、 !pip install コマンドを以下の更新コマンドに置き換えます。

    !pip install -U ibm-watson-machine-learning | tail -n 1

ファイル・スキーマはアップロード方式によって異なります

データ接続からロードされたデータ・ファイルは、CSV ファイルに直接ロードされた同じデータ・ファイルとは異なるモデル・スキーマを返す場合があります。 このシナリオでは、 UI のスコアリング・フォームを使用して デプロイメント をスコアリングするときにエラーが発生する可能性があります。 その場合は、「 JSON 」タブを使用してスコアリング・データを入力します。

AutoAI モデルのバッチデプロイメントを作成する

保存された AutoAI モデルのバッチ・ デプロイメント を作成できますが、モデルは Cloud Pak for Data の現行バージョンを使用してトレーニングする必要があります。 古いバージョンを使用してトレーニングされた場合は、エクスペリメントを再度実行し、結果として保存されたモデルをデプロイします。

次のステップ

AutoAI の概要