Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Guida alla compatibilità di formato dei dati
Questa guida descrive i tipi di formato dei dati compatibili con i processi di elaborazione di SageMaker Clarify. I tipi di formato di dati supportati includono le estensioni dei file, la struttura dei dati e i requisiti o le restrizioni specifici per i set di dati tabulari, di immagini e di serie temporali. La guida mostra anche come verificare se il set di dati è conforme a questi requisiti.
Ad un livello elevato, il processo di elaborazione di SageMaker Clarify segue il modello di input-processo-output per calcolare le metriche di distorsione e le attribuzioni di funzionalità. Per i dettagli, consulta gli esempi seguenti.
L'input per il processo di elaborazione di Clarify è costituito da quanto segue: SageMaker
+ Il set di dati da analizzare.
+ La configurazione dell'analisi Per ulteriori informazioni su come configurare un’analisi, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
Durante la fase di elaborazione, SageMaker Clarify calcola le metriche di distorsione e l'attribuzione delle funzionalità. Il processo di elaborazione di SageMaker Clarify completa i seguenti passaggi nel backend:
+ **Il processo di elaborazione SageMaker Clarify analizza la configurazione dell'analisi e carica il set di dati.**
+ Per calcolare i parametri di bias e le attribuzioni delle funzionalità post-addestramento, il processo richiede previsioni basate sul modello. **Il processo di elaborazione SageMaker Clarify serializza i dati e li invia come **richiesta al modello che viene distribuito su un endpoint** di inferenza in tempo reale di intelligenza artificiale. SageMaker ** **Successivamente, il processo di elaborazione di SageMaker Clarify estrae le previsioni dalla risposta.**
+ Il processo di elaborazione di SageMaker Clarify esegue l'analisi delle distorsioni e della spiegabilità, quindi produce i risultati.
Per ulteriori informazioni, consulta [Come funzionano i lavori di elaborazione di SageMaker Clarify](clarify-configure-processing-jobs.md#clarify-processing-job-configure-how-it-works).
Il parametro utilizzato per specificare il formato dei dati dipende da dove i dati vengono utilizzati nel flusso di elaborazione, come mostrato in seguito:
+ Per un **set di dati di input**, utilizza il parametro `dataset_type` per specificare il formato o il tipo MIME.
+ Per una **richiesta** a un endpoint, utilizza il parametro `content_type` per specificare il formato.
+ Per una **risposta** a un endpoint, utilizza il parametro `accept_type` per specificare il formato.
Il set di dati di input, la richiesta e la risposta da e verso l'endpoint non richiedono lo stesso formato. Ad esempio, è possibile utilizzare un set di dati Parquet con un payload di **richiesta** CSV e un payload di **risposta** JSON Lines, date le condizioni descritte in seguito.
+ L'analisi è configurata correttamente.
+ Il modello supporta i formati di richiesta e risposta.
**Nota**
Se `accept_type` vengono forniti `content_type` o meno, il contenitore SageMaker Clarify deduce e. `content_type` `accept_type`
**Topics**
+ [
# Dati tabulari
](clarify-processing-job-data-format-tabular.md)
+ [
# Requisiti dei dati delle immagini
](clarify-processing-job-data-format-image.md)
+ [
# Dati di serie temporali
](clarify-processing-job-data-format-time-series.md)
# Dati tabulari
I dati tabulari si riferiscono ai dati che possono essere caricati in un frame di dati bidimensionale. Nel frame, ogni riga rappresenta un record e ogni record ha una o più colonne. I valori all'interno di ogni cella del frame di dati possono essere di tipo numerico, categorico o testuale.
## Prerequisiti del set di dati tabulari
Prima dell'analisi, al set di dati dovrebbe aver completato tutte le fasi di pre-elaborazione necessarie. Questo include la pulizia dei dati o l’ingegneria delle funzionalità.
È possibile fornire uno o più set di dati. Se fornite più set di dati, utilizzate quanto segue per identificarli nel processo di elaborazione di SageMaker Clarify.
+ Utilizzate una configurazione [ProcessingInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProcessingInput.html)denominata `dataset` o di analisi `dataset_uri` per specificare il set di dati principale. Per ulteriori informazioni su `dataset_uri`, consulta l’elenco di parametri in [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
+ Utilizza il parametro `baseline` fornito nel file di configurazione dell'analisi. Il set di dati di base è necessario per l'analisi SHAP. Per ulteriori informazioni sul file di configurazione dell’analisi, inclusi gli esempi, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
Questa tabella elenca i formati di dati supportati, le relative estensioni di file e i tipi MIME.
| Formato dei dati | Estensione di file | Tipo MIME |
| --- | --- | --- |
| CSV | csv | `text/csv` |
| JSON Lines | jsonl | `application/jsonlines` |
| JSON | json | `application/json` |
| Parquet | parquet | "application/x-parquet" |
Le successive sezioni mostrano esempi di set di dati tabulari nei formati CSV, JSON Lines e Apache Parquet.
### Prerequisiti dei set di dati tabulari in formato CSV
[Il processo di elaborazione SageMaker Clarify è progettato per caricare file di dati CSV nel dialetto csv.excel.](https://docs.python.org/3/library/csv.html#csv.excel) Tuttavia, è sufficientemente flessibile da supportare altri terminatori di linea, tra cui `\n` e `\r`.
Per motivi di compatibilità, tutti i file di dati CSV forniti al processo di elaborazione SageMaker Clarify devono essere codificati in UTF-8.
Se il set di dati non contiene una riga di intestazione, procedi come indicato di seguito:
+ Imposta l'etichetta di configurazione dell'analisi sull'indice `0`. Questo significa che la prima colonna è l'etichetta Ground Truth.
+ Se il parametro `headers` è specificato, imposta `label` sull'intestazione della colonna dell'etichetta per indicare la posizione della colonna di etichetta. Tutte le altre colonne sono designate come funzionalità.
Di seguito è riportato un set di dati che non contiene una riga di intestazione.
```
1,5,2.8,2.538,This is a good product
0,1,0.79,0.475,Bad shopping experience
...
```
Se i dati contengono una riga di intestazione, imposta il parametro `label` sull'indice `0`. Per indicare la posizione della colonna dell'etichetta, usa l'intestazione `Label` dell'etichetta Ground Truth. Tutte le altre colonne sono designate come funzionalità.
Di seguito è riportato un esempio di set di dati contenente una riga di intestazione.
```
Label,Rating,A12,A13,Comments
1,5,2.8,2.538,This is a good product
0,1,0.79,0.475,Bad shopping experience
...
```
### Prerequisiti dei set di dati tabulari in formato JSON
JSON è un formato flessibile per la rappresentazione di dati strutturati che contiene qualsiasi livello di complessità. Il supporto SageMaker Clarify per JSON non è limitato a nessun formato specifico e consente quindi formati di dati più flessibili rispetto ai set di dati nei formati CSV o JSON Lines. Questa guida mostra come impostare una configurazione di analisi per dati tabulari in formato JSON.
**Nota**
Per garantire la compatibilità, tutti i file di dati JSON forniti al processo di elaborazione SageMaker Clarify devono essere codificati in UTF-8.
Di seguito è riportato un esempio di dati di input con record che contengono una chiave di livello superiore, un elenco di funzionalità e un'etichetta.
```
[
{"features":[1,5,2.8,2.538,"This is a good product"],"label":1},
{"features":[0,1,0.79,0.475,"Bad shopping experience"],"label":0},
...
]
```
Un esempio di analisi della configurazione per il precedente esempio di set di dati di input dovrebbe impostare i seguenti parametri:
+ Il `label` parametro deve utilizzare l'[JMESPath](https://jmespath.org/)espressione `[*].label` per estrarre l'etichetta di verità fondamentale per ogni record nel set di dati. L' JMESPath espressione dovrebbe produrre un elenco di etichette in cui i l'etichetta corrisponde a quella del record.
+ Il `features` parametro deve utilizzare l' JMESPathespressione `[*].features` per estrarre una serie di funzionalità per ogni record nel set di dati. L' JMESPath espressione dovrebbe produrre una matrice o una matrice 2D in cui la riga i contiene i valori delle caratteristiche corrispondenti a quelli del record.
Di seguito è riportato un esempio di dati di input con record che contiene una chiave di livello superiore e una chiave nidficata che contiene un elenco di funzionalità e un'etichetta.
```
{
"data": [
{"features":[1,5,2.8,2.538,"This is a good product"],"label":1}},
{"features":[0,1,0.79,0.475,"Bad shopping experience"],"label":0}}
]
}
```
Un esempio di analisi della configurazione per il precedente esempio di set di dati di input dovrebbe impostare i seguenti parametri:
+ Il `label` parametro utilizza l'[JMESPath](https://jmespath.org/)espressione `data[*].label` per estrarre l'etichetta di verità fondamentale per ogni record del set di dati. L' JMESPath espressione dovrebbe produrre un elenco di etichette in cui i l'etichetta è per loro nel record.
+ Il `features` parametro utilizza l' JMESPath espressione `data[*].features` per estrarre la serie di funzionalità, per ogni record nel set di dati. L' JMESPath espressione dovrebbe produrre una matrice o una matrice 2D in cui la riga i contiene i valori delle caratteristiche relative al record.
### Prerequisiti dei set di dati tabulari in formato JSON Lines
JSON Lines è un formato di testo per rappresentare dati strutturati in cui ogni riga è un oggetto JSON valido. Attualmente i processi di elaborazione di SageMaker Clarify supportano solo le linee JSON in formato SageMaker AI Dense. Per conformarsi al formato richiesto, tutte le funzionalità di un record devono essere elencate in un'unica matrice JSON. Per ulteriori informazioni su righe JSON, consultare [Formato della richiesta JSONLINES](cdf-inference.md#cm-jsonlines).
**Nota**
Tutti i file di dati JSON Lines forniti al processo di elaborazione SageMaker Clarify devono essere codificati in UTF-8 per garantire la compatibilità.
Di seguito è riportato un esempio di come impostare una configurazione di analisi per un record che contiene una chiave di **livello superiore** e un **elenco** di elementi.
```
{"features":[1,5,2.8,2.538,"This is a good product"],"label":1}
{"features":[0,1,0.79,0.475,"Bad shopping experience"],"label":0}
...
```
L'analisi della configurazione per il precedente esempio di set di dati dovrebbe impostare i parametri come segue:
+ Per indicare la posizione dell'etichetta di verità fondamentale, il parametro `label` deve essere impostato sull'espressione. JMESPath `label`
+ Per indicare la posizione dell'array di caratteristiche, è `features` necessario impostare il parametro sull' JMESPath espressione`features`.
Di seguito è riportato un esempio di come impostare una configurazione di analisi per un record che contiene una **chiave di livello superiore** e una **chiave nidificata** che contiene un **elenco** di elementi.
```
{"data":{"features":[1,5,2.8,2.538,"This is a good product"],"label":1}}
{"data":{"features":[0,1,0.79,0.475,"Bad shopping experience"],"label":0}}
...
```
L'analisi della configurazione per il precedente esempio di set di dati dovrebbe impostare i parametri come segue:
+ Il parametro `label` deve essere impostato sull' JMESPathespressione `data.label` per indicare la posizione dell'etichetta di verità fondamentale.
+ Il parametro `features` deve essere impostato sull' JMESPathespressione `data.features` per indicare la posizione della serie di caratteristiche.
### Prerequisiti dei set di dati tabulari in formato Parquet
[Parquet](https://parquet.apache.org/) è un formato di dati binario orientato alle colonne. Attualmente, i processi di elaborazione di SageMaker Clarify supportano il caricamento dei file di dati di Parquet solo quando il numero delle istanze di elaborazione è `1` pari a.
Poiché i processi di elaborazione SageMaker Clarify non supportano la richiesta dell'endpoint o la risposta dell'endpoint in formato Parquet, è necessario specificare il formato dei dati della richiesta dell'endpoint impostando il parametro `content_type` di configurazione dell'analisi su un formato supportato. Per ulteriori informazioni, consulta `content_type` in [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
I dati Parquet devono avere nomi di colonna formattati come stringhe. Utilizza il parametro `label` di configurazione dell'analisi per impostare il nome della colonna dell'etichetta, in modo che indichi la posizione delle etichette Ground Truth. Tutte le altre colonne sono designate come funzionalità.
# Richieste endpoint per dati tabulari
Per ottenere previsioni basate sui modelli per l'analisi delle distorsioni post-allenamento e l'analisi dell'importanza delle funzionalità, i processi di elaborazione di SageMaker Clarify serializzano i dati tabulari in byte e li inviano a un endpoint di inferenza come payload di richieste. Questi dati tabulari provengono dal set di dati di input o vengono generati. Se si tratta di dati sintetici, vengono generati dall'esplicatore per l'analisi SHAP o PDP.
Il formato dei dati di payload della richiesta deve essere specificato dal parametro `content_type` di configurazione dell'analisi. Se il parametro non viene fornito, il processo di elaborazione SageMaker Clarify utilizzerà il valore del parametro come tipo di contenuto. `dataset_type` Per ulteriori informazioni su `content_type` o `dataset_type`, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
Le successive sezioni mostrano esempi di richieste endpoint nei formati CSV e JSON Lines.
## Richiesta dell'endpoint in formato CSV
Il processo di elaborazione SageMaker Clarify può serializzare i dati in formato CSV (tipo MIME:). `text/csv` La seguente tabella mostra esempi dei payload di richiesta serializzati.
| Payload di richiesta dell'endpoint (rappresentazione di stringhe) | Commenti |
| --- | --- |
| '1,2,3,4' | Record singolo (quattro funzionalità numeriche). |
| '1,2,3,4\$1n5,6,7,8' | Due record, separati da un'interruzione di riga \$1n. |
| '"Questo è un buon prodotto",5' | Record singolo (una funzionalità testuale e una numerica). |
| '"Questo è un buon prodotto",5\$1n"Pessima esperienza di acquisto",1' | Due record. |
## La richiesta dell'endpoint è in formato JSON Lines
Il processo di elaborazione SageMaker Clarify può serializzare i dati nel formato denso SageMaker AI JSON Lines (tipo MIME:). `application/jsonlines` Per ulteriori informazioni su righe JSON, consultare [Formato della richiesta JSONLINES](cdf-inference.md#cm-jsonlines).
Per trasformare i dati tabulari in dati JSON, fornisci una stringa modello al parametro `content_template` di configurazione dell'analisi. Per ulteriori informazioni su `content_template`, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md). La seguente tabella mostra esempi dei payload di richiesta serializzati.
| Payload di richiesta dell'endpoint (rappresentazione di stringhe) | Commenti |
| --- | --- |
| '\$1"data":\$1"features":[1,2,3,4]\$1\$1' | Record singolo. In questo caso, la stringa di esempio assomiglia a`'{"data":{"features":$features}}' ` e `$features` viene sostituito dall'elenco delle funzionalità `[1,2,3,4]`. |
| '\$1"data":\$1"features":[1,2,3,4]\$1\$1\$1n\$1"data":\$1"features":[5,6,7,8]\$1\$1' | Due record. |
| '\$1"features":["Questo è un buon prodotto",5]\$1' | Record singolo. In questo caso, la stringa di esempio assomiglia a `'{"features":$features}'` e \$1features viene sostituito dall'elenco delle funzionalità `["This is a good product",5]`. |
| '\$1"features":["Questo è un buon prodotto",5]\$1\$1n\$1"features":["Pessima esperienza di acquisto",1]\$1' | Due record. |
## La richiesta dell'endpoint è in formato JSON
Un processo di elaborazione SageMaker Clarify può serializzare i dati in strutture JSON arbitrarie (tipo MIME:). `application/json` A tale scopo, è necessario fornire una stringa di esempio al parametro `content_template` di configurazione dell'analisi. Viene utilizzato dal processo di elaborazione SageMaker Clarify per costruire la struttura JSON esterna. È inoltre necessario fornire una stringa di esempio per `record_template`, che viene utilizzata per costruire la struttura JSON di ogni record. Per ulteriori informazioni su `content_template` e `record_template`, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
**Nota**
Poiché `content_template` e `record_template` sono parametri di stringa, tutti i caratteri con virgolette doppie (`"`) che fanno parte della struttura serializzata JSON devono essere annotati come caratteri di escape nella configurazione. Ad esempio, se vuoi evitare una virgoletta doppia in Python, puoi inserire quanto segue per `content_template`.
```
"{\"data\":{\"features\":$record}}}"
```
La tabella seguente mostra esempi di payload di richieste JSON serializzate e i corrispondenti parametri `content_template` e `record_template` necessari per costruirli.
| Payload di richiesta dell'endpoint (rappresentazione di stringhe) | Commenti | content\$1template | record\$1template |
| --- | --- | --- | --- |
| '\$1"data":\$1"features":[1,2,3,4]\$1\$1' | Un singolo record alla volta. | '\$1"data":\$1"features":\$1record\$1\$1\$1' | "\$1features" |
| '\$1"instances":[[0, 1], [3, 4]], "feature-names": ["A", "B"]\$1' | Record multipli con nomi di funzionalità. | ‘\$1"instances":\$1records, "feature-names":\$1feature\$1names\$1' | "\$1features" |
| '[\$1"A": 0, "B": 1\$1, \$1"A": 3, "B": 4\$1]' | Coppie multi-record e chiave-valore. | "\$1records" | "\$1features\$1kvp" |
| '\$1"A": 0, "B": 1\$1' | Un record alla volta e coppie chiave-valore. | "\$1record" | "\$1features\$1kvp" |
| '\$1"A": 0, "nested": \$1"B": 1\$1\$1' | In alternativa, usa il record\$1template completo per strutture arbitrarie. | "\$1record" | '\$1"A": "\$1\$1A\$1", "nested": \$1"B": "\$1\$1B\$1"\$1\$1' |
# Risposta dell'endpoint per dati tabulari
Dopo aver ricevuto la risposta di un'invocazione dell'endpoint di inferenza, il processo di elaborazione SageMaker Clarify deserializza il payload di risposta e ne estrae le previsioni. Utilizza il parametro `accept_type` di configurazione dell'analisi per specificare il formato dei dati di payload della richiesta. Se non `accept_type` viene fornito, il processo di elaborazione SageMaker Clarify utilizzerà il valore del parametro content\$1type come formato di output del modello. Per ulteriori informazioni su `accept_type`, consultare [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
Le previsioni potrebbero consistere in etichette previste per l'analisi del bias o in valori di probabilità (punteggi) per l'analisi dell'importanza della funzionalità. Nella configurazione dell'analisi `predictor`, i seguenti tre parametri estraggono le previsioni.
+ Il parametro `probability` viene utilizzato per individuare i valori di probabilità (punteggi) nella risposta dell'endpoint.
+ Il parametro `label` viene utilizzato per individuare le etichette previste nella risposta dell'endpoint.
+ (Facoltativo) Il parametro `label_headers` fornisce le etichette previste per un modello multiclasse.
Le seguenti linee guida riguardano le risposte dell'endpoint nei formati CSV, JSON Lines e JSON.
## La risposta dell'endpoint è in formato CSV
Se il payload di risposta è in formato CSV (tipo MIME:`text/csv`), il processo di elaborazione SageMaker Clarify deserializza ogni riga. Quindi estrae le previsioni dai dati deserializzati utilizzando gli indici delle colonne forniti nella configurazione dell'analisi. Le righe del payload di risposta devono corrispondere ai record nel payload di richiesta.
Le seguenti tabelle forniscono esempi di dati di risposta in diversi formati e per diversi tipi di problemi. I tuoi dati possono variare rispetto a questi esempi, ammesso che le previsioni possano essere estratte in base alla configurazione dell'analisi.
Le successive sezioni mostrano esempi di risposte endpoint in formato CSV.
### La risposta dell'endpoint è in formato CSV e contiene solo la probabilità
La seguente tabella è un esempio di risposta dell'endpoint per problemi di regressione e classificazione binaria.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo. | '0.6' |
| Due record (risultati in una riga, divisi da una virgola). | '0.6,0.3' |
| Due record (risultati in due righe). | '0.6\$1n0.3' |
Nell'esempio precedente, l'endpoint emette un singolo valore di probabilità (punteggio) dell'etichetta prevista. Per estrarre le probabilità utilizzando l'indice e utilizzarle per l'analisi dell'importanza della funzionalità, imposta il parametro `probability` di configurazione dell'analisi sull'indice di colonna `0`. Queste probabilità possono essere utilizzate anche per l'analisi dei bias se vengono convertite in valori binari utilizzando il parametro `probability_threshold`. Per ulteriori informazioni su `probability_threshold`, consultare [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
La seguente tabella è un esempio di risposta dell'endpoint per problemi multiclasse.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo di un modello multiclasse (tre classi). | '0.1,0.6,0.3' |
| Due record di un modello multiclasse (tre classi) | '0.1,0.6,0.3\$1n0.2,0.5,0.3' |
Nell'esempio precedente, l'endpoint restituisce un elenco di probabilità (punteggi). Se non viene fornito alcun indice, tutti i valori vengono estratti e utilizzati per l'analisi dell'importanza della funzionalità. Se il parametro `label_headers` viene specificato. Quindi il processo di elaborazione SageMaker Clarify può selezionare l'intestazione dell'etichetta con la probabilità massima come etichetta prevista, che può essere utilizzata per l'analisi delle distorsioni. Per ulteriori informazioni su `label_headers`, consultare [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
### La risposta dell'endpoint è in formato CSV e contiene solo l'etichetta prevista
La seguente tabella è un esempio di risposta dell'endpoint per problemi di regressione e classificazione binaria.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '1' |
| Due record (risultati in una riga, divisi da una virgola). | '1,0' |
| Due record (risultati in due righe) | '1\$1n0' |
Nell'esempio precedente, l'endpoint emette l'etichetta prevista anziché un singolo valore di probabilità (punteggio). Imposta il parametro `label` della configurazione `predictor` sull'indice di colonna `0`, in modo che le etichette previste possano essere estratte utilizzando l'indice e utilizzate per l'analisi dei bias.
### La risposta dell'endpoint è in formato CSV e contiene l'etichetta prevista e la probabilità
La seguente tabella è un esempio di risposta dell'endpoint per problemi di regressione e classificazione binaria.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '1,0.6' |
| Due record | '1,0.6\$1n0,0.3' |
Nell'esempio precedente, l'endpoint emette l'etichetta prevista seguita dalla sua probabilità. Imposta il parametro `label` della configurazione `predictor` sull'indice di colonna `0` e imposta `probability` sull'indice di colonna `1` per estrarre entrambi i valori dei parametri.
### La risposta dell'endpoint è in formato CSV e contiene le etichette previste e le probabilità (multiclasse)
Un modello multiclasse addestrato da Amazon SageMaker Autopilot può essere configurato per generare la rappresentazione in formato stringa dell'elenco di etichette e probabilità previste. La tabella di esempio seguente mostra un esempio di risposta dell'endpoint da un modello configurato per emettere `predicted_label`, `probability`, `labels` e `probabilities`.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '"dog",0.6,"[\$1'cat\$1', \$1'dog\$1', \$1'fish\$1']","[0.1, 0.6, 0.3]"' |
| Due record | '"dog",0.6,"[\$1'cat\$1', \$1'dog\$1', \$1'fish\$1']","[0.1, 0.6, 0.3]"\$1n""cat",0.7,[\$1'cat\$1', \$1'dog\$1', \$1'fish\$1']","[0.7, 0.2, 0.1]"' |
Per l'esempio precedente, il processo di elaborazione di SageMaker Clarify può essere configurato nei seguenti modi per estrarre le previsioni.
Per l'analisi dei bias, il precedente esempio può essere configurato come indicato in seguito.
+ Imposta il parametro `label` della configurazione `predictor` su `0`, per estrarre l'etichetta prevista.
+ Imposta il parametro `2` per estrarre le etichette previste e imposta `probability` su `3`, per estrarre le probabilità corrispondenti. Il processo di elaborazione SageMaker Clarify può determinare automaticamente l'etichetta prevista identificando l'etichetta con il valore di probabilità più elevato. Facendo riferimento all'esempio precedente di un singolo record, il modello prevede tre etichette: `cat`, `dog` e `fish`, con le probabilità corrispondenti di `0.1`, `0.6` e `0.3`. In base a queste probabilità, l'etichetta prevista è `dog`, in quanto ha un valore di probabilità più elevato di `0.6`.
+ Imposta `probability` su `3` per estrarre le probabilità. Se `label_headers` viene fornito, il processo di elaborazione SageMaker Clarify può determinare automaticamente l'etichetta prevista identificando l'intestazione dell'etichetta con il valore di probabilità più elevato.
Per l'analisi dell'importanza della funzionalità, l'esempio precedente può essere configurato come segue.
+ Imposta `probability` su `3` per estrarre le probabilità di tutte le etichette previste. Quindi, verranno calcolate le attribuzioni delle funzionalità per tutte le etichette. Se il cliente non specifica `label_headers`, le etichette previste verranno utilizzate come intestazioni delle etichette nel rapporto di analisi.
## La risposta dell'endpoint è in formato JSON Lines
Se il payload di risposta è in formato JSON Lines (tipo MIME:`application/jsonlines`), il processo di elaborazione SageMaker Clarify deserializza ogni riga come JSON. Quindi estrae le previsioni dai dati deserializzati utilizzando le espressioni fornite nella configurazione dell'analisi. JMESPath Le righe del payload di risposta devono corrispondere ai record nel payload di richiesta. Le seguenti tabelle mostrano esempi dei dati di risposta in diversi formati. I tuoi dati possono variare rispetto a questi esempi, ammesso che le previsioni possano essere estratte in base alla configurazione dell'analisi.
Le successive sezioni mostrano esempi di risposte degli endpoint in formato JSON Lines.
### La risposta dell'endpoint è in formato JSON Lines e contiene solo la probabilità
La seguente tabella è un esempio di risposta dell'endpoint che restituisce solo il valore di probabilità (punteggio).
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"score":0.6\$1' |
| Due record | '\$1"score":0.6\$1\$1n\$1"score":0.3\$1' |
Per l'esempio precedente, impostate il parametro di configurazione dell'analisi sull' JMESPath espressione «score» `probability` per estrarne il valore.
### La risposta dell'endpoint è in formato JSON Lines e contiene solo l'etichetta prevista
La seguente tabella è un esempio di risposta dell'endpoint che restituisce solo l'etichetta prevista.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"prediction":1\$1' |
| Due record | '\$1"prediction":1\$1\$1n\$1"prediction":0\$1' |
Per l'esempio precedente, imposta il `label` parametro della configurazione del predittore su JMESPath expression`prediction`. Quindi, il processo di elaborazione di SageMaker Clarify può estrarre le etichette previste per l'analisi delle distorsioni. Per ulteriori informazioni, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
### La risposta dell'endpoint è in formato JSON Lines e contiene l'etichetta prevista e la probabilità
La seguente tabella è un esempio di risposta dell'endpoint che restituisce l'etichetta prevista e il suo punteggio.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"prediction":1,"score":0.6\$1' |
| Due record | '\$1"prediction":1,"score":0.6\$1\$1n\$1"prediction":0,"score":0.3\$1' |
Per l'esempio precedente, impostate il `label` parametro della `predictor` configurazione sull' JMESPath espressione «prediction» per estrarre le etichette previste. Imposta `probability` sull' JMESPath espressione «score» per estrarre la probabilità. Per ulteriori informazioni, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
### La risposta dell'endpoint è in formato JSON Lines e contiene le etichette previste e le probabilità (multiclasse)
La seguente tabella è un esempio di risposta dell'endpoint, ottenuta da un modello multiclasse che restituisce quanto segue:
+ Un elenco di etichette previste.
+ Le probabilità e l'etichetta prevista selezionata e la sua probabilità.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"predicted\$1label":"dog","probability":0.6,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.1,0.6,0.3]\$1' |
| Due record | '\$1"predicted\$1label":"dog","probability":0.6,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.1,0.6,0.3]\$1\$1n\$1"predicted\$1label":"cat","probability":0.7,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.7,0.2,0.1]\$1' |
Per l'esempio precedente, il processo di elaborazione di SageMaker Clarify può essere configurato in diversi modi per estrarre le previsioni.
Per l'analisi dei bias, il precedente esempio può essere configurato in **uno** dei modi descritti in seguito.
+ Imposta il `label` parametro della `predictor` configurazione sull' JMESPath espressione «predicted\$1label» per estrarre l'etichetta prevista.
+ Imposta il parametro sull' JMESPath espressione «predicted\$1labels» per estrarre le etichette previste. Imposta `probability` l' JMESPath espressione «probabilità» per estrarne le probabilità. Il job SageMaker Clarify determina automaticamente l'etichetta prevista identificando l'etichetta con il valore di probabilità più elevato.
+ Imposta `probability` l' JMESPath espressione «probabilità» per estrarne le probabilità. Se `label_headers` viene fornita, il processo di elaborazione SageMaker Clarify può determinare automaticamente l'etichetta prevista identificando l'etichetta con il valore di probabilità più elevato.
Per l'analisi dell'importanza della funzionalità, procedi come segue.
+ Imposta `probability` l' JMESPath espressione «probabilità» per estrarre le probabilità relative a tutte le etichette previste. Quindi, verranno calcolate le attribuzioni delle funzionalità per tutte le etichette.
## La risposta dell'endpoint è in formato JSON
Se il payload di risposta è in formato JSON (tipo MIME:`application/json`), il processo di elaborazione SageMaker Clarify deserializza l'intero payload come JSON. Quindi estrae le previsioni dai dati deserializzati utilizzando le espressioni fornite nella configurazione dell'analisi. JMESPath I record del payload di risposta devono corrispondere ai record nel payload di richiesta.
Le successive sezioni mostrano esempi di risposte degli endpoint in formato JSON Lines. Queste sezioni contengono tabelle con esempi dei dati di risposta in diversi formati e per diversi tipi di problemi. I tuoi dati possono variare rispetto a questi esempi, ammesso che le previsioni possano essere estratte in base alla configurazione dell'analisi.
### La risposta dell'endpoint è in formato JSON e contiene solo la probabilità
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce solo il valore di probabilità (punteggio).
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '[0.6]' |
| Due record | '[0.6,0.3]' |
Nell'esempio precedente, non vi è alcuna interruzione di riga nel payload di risposta. Un singolo oggetto JSON contiene invece un elenco di punteggi, uno per ogni record nella richiesta. Impostate il parametro `probability` di configurazione dell'analisi sull' JMESPath espressione «[\$1]» per estrarre il valore.
### La risposta dell'endpoint è in formato JSON e contiene solo l'etichetta prevista
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce solo l'etichetta prevista.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"predicted\$1labels":[1]\$1' |
| Due record | '\$1"predicted\$1labels":[1,0]\$1' |
Imposta il `label` parametro della `predictor` configurazione sull' JMESPath espressione «predicted\$1labels», quindi il processo di elaborazione SageMaker Clarify può estrarre le etichette previste per l'analisi delle distorsioni.
### La risposta dell'endpoint è in formato JSON e contiene l'etichetta prevista e la probabilità
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce l'etichetta prevista e il suo punteggio.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '\$1"predictions":[\$1"label":1,"score":0.6\$1' |
| Due record | ‘\$1"predictions":[\$1"label":1,"score":0.6\$1,\$1"label":0,"score":0.3\$1]\$1' |
Per l'esempio precedente, impostate il `label` parametro della `predictor` configurazione sull' JMESPath espressione «predictions [\$1] .label» per estrarre le etichette previste. Imposta `probability` l' JMESPath espressione «predictions [\$1] .score» per estrarre la probabilità.
### La risposta dell'endpoint è in formato JSON e contiene le etichette previste e le probabilità (multiclasse)
La seguente tabella è un esempio di risposta da parte di un endpoint, ottenuta da un modello multiclasse che restituisce quanto segue:
+ Un elenco di etichette previste.
+ Le probabilità e l'etichetta prevista selezionata e la sua probabilità.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Record singolo | '[\$1"predicted\$1label":"dog","probability":0.6,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.1,0.6,0.3]\$1]' |
| Due record | '[\$1"predicted\$1label":"dog","probability":0.6,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.1,0.6,0.3]\$1,\$1"predicted\$1label":"cat","probability":0.7,"predicted\$1labels":["cat","dog","fish"],"probabilities":[0.7,0.2,0.1]\$1]' |
Il processo di elaborazione di SageMaker Clarify può essere configurato in diversi modi per estrarre le previsioni.
Per l'analisi dei bias, il precedente esempio può essere configurato in **uno** dei modi descritti in seguito.
+ Imposta il `label` parametro della `predictor` configurazione sull' JMESPath espressione «[\$1] .predicted\$1label» per estrarre l'etichetta prevista.
+ Imposta il parametro sull' JMESPath espressione «[\$1] .predicted\$1labels» per estrarre le etichette previste. Imposta `probability` l' JMESPath espressione «[\$1] .probabilities» per estrarne le probabilità. Il processo di elaborazione SageMaker Clarify può determinare automaticamente l'etichetta prevista identificando l'etichetta con il valore di prossimità più elevato.
+ Impostate `probability` l' JMESPath espressione «[\$1] .probabilities» per estrarne le probabilità. Se `label_headers` viene fornita, il processo di elaborazione di SageMaker Clarify può determinare automaticamente l'etichetta prevista identificando l'etichetta con il valore di probabilità più elevato.
Per l'analisi dell'importanza delle caratteristiche, impostate `probability` JMESPath l'espressione «[\$1] .probabilities» per estrarre le probabilità relative a tutte le etichette previste. Quindi, verranno calcolate le attribuzioni delle funzionalità per tutte le etichette.
# Verifica preventivamente la richiesta e la risposta dell'endpoint per i dati tabulari
Ti consigliamo di distribuire il modello su un endpoint di inferenza SageMaker AI in tempo reale e di inviare richieste all'endpoint. Esamina manualmente le richieste e le risposte per assicurarti che entrambe siano conformi ai requisiti della sezione [Richieste endpoint per dati tabulari](clarify-processing-job-data-format-tabular-request.md) e della sezione [Risposta dell'endpoint per dati tabulari](clarify-processing-job-data-format-tabular-response.md). Se il container del modello supporta le richieste batch, è possibile iniziare con una singola richiesta di record e quindi provare due o più record.
I comandi seguenti mostrano come richiedere una risposta utilizzando AWS CLI. AWS CLI È preinstallato nelle istanze Studio e Notebook SageMaker . SageMaker Per installare AWS CLI, segui questa guida all'[installazione](https://aws.amazon.com/cli/).
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name $ENDPOINT_NAME \
--content-type $CONTENT_TYPE \
--accept $ACCEPT_TYPE \
--body $REQUEST_DATA \
$CLI_BINARY_FORMAT \
/dev/stderr 1>/dev/null
```
I parametri sono definiti come segue:
+ `$ENDPOINT NAME`: il nome dell'endpoint.
+ `$CONTENT_TYPE`: il tipo MIME della richiesta (input del container del modello).
+ `$ACCEPT_TYPE`: il tipo MIME della risposta (output del container del modello).
+ `$REQUEST_DATA`: la stringa payload richiesta.
+ `$CLI_BINARY_FORMAT`: il formato del parametro di interfaccia della linea di comando (CLI). Per la AWS CLI versione 1, questo parametro deve rimanere vuoto. Per v2, questo parametro deve essere impostato su `--cli-binary-format raw-in-base64-out`.
**Nota**
AWS CLI [Per impostazione predefinita, v2 passa i parametri binari come stringhe con codifica base64.](https://docs.aws.amazon.com/cli/latest/userguide/cliv2-migration.html#cliv2-migration-binaryparam)
# AWS CLI esempi v1
L'esempio nella sezione precedente riguardava la v2. AWS CLI I seguenti esempi di richieste e risposte da e verso l'endpoint utilizzano AWS CLI v1.
## Richiesta e risposta dell'endpoint in formato CSV
Nel seguente esempio di codice, la richiesta è costituita da un singolo record e la risposta è il relativo valore di probabilità.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-xgboost-model \
--content-type text/csv \
--accept text/csv \
--body '1,2,3,4' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
0.6
```
Nel prossimo esempio di codice, la richiesta è costituita da due record e la risposta include le relative probabilità, separate da una virgola.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-xgboost-model \
--content-type text/csv \
--accept text/csv \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, l'espressione `$'content'` in `--body` indica al comando di interpretare `'\n'` il contenuto come un'interruzione di riga. Segue l'output della risposta.
```
0.6,0.3
```
Nel prossimo esempio di codice, la richiesta è costituita da due record e la risposta include le relative probabilità, separate da un'interruzione di riga.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-1 \
--content-type text/csv \
--accept text/csv \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
0.6
0.3
```
Nel seguente esempio di codice, la richiesta è costituita da un singolo record e la risposta è costituita da valori di probabilità di un modello multiclasse con tre classi.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-1 \
--content-type text/csv \
--accept text/csv \
--body '1,2,3,4' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
0.1,0.6,0.3
```
Nel seguente esempio di codice, la richiesta è costituita da due record e la risposta include i loro valori di probabilità, ottenuti da un modello multiclasse con tre classi.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-1 \
--content-type text/csv \
--accept text/csv \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
0.1,0.6,0.3
0.2,0.5,0.3
```
Nel seguente esempio di codice, la richiesta è costituita da due record e la risposta include l'etichetta e la probabilità previste.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-2 \
--content-type text/csv \
--accept text/csv \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
1,0.6
0,0.3
```
Nel seguente esempio di codice, la richiesta è costituita da due record e la risposta include le intestazioni delle etichette e le probabilità.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-3 \
--content-type text/csv \
--accept text/csv \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
"['cat','dog','fish']","[0.1,0.6,0.3]"
"['cat','dog','fish']","[0.2,0.5,0.3]"
```
## Richiesta e risposta dell'endpoint in formato JSON Lines
Nel seguente esempio di codice, la richiesta è costituita da un singolo record e la risposta è il relativo valore di probabilità.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-jsonlines \
--content-type application/jsonlines \
--accept application/jsonlines \
--body '{"features":["This is a good product",5]}' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"score":0.6}
```
Nel seguente esempio di codice, la richiesta contiene due record e la risposta include l'etichetta e la probabilità previste.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-jsonlines-2 \
--content-type application/jsonlines \
--accept application/jsonlines \
--body $'{"features":[1,2,3,4]}\n{"features":[5,6,7,8]}' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"predicted_label":1,"probability":0.6}
{"predicted_label":0,"probability":0.3}
```
Nel seguente esempio di codice, la richiesta contiene due record e la risposta include le intestazioni e le probabilità delle etichette.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-jsonlines-3 \
--content-type application/jsonlines \
--accept application/jsonlines \
--body $'{"data":{"features":[1,2,3,4]}}\n{"data":{"features":[5,6,7,8]}}' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"predicted_labels":["cat","dog","fish"],"probabilities":[0.1,0.6,0.3]}
{"predicted_labels":["cat","dog","fish"],"probabilities":[0.2,0.5,0.3]}
```
## Richiesta e risposta dell'endpoint in formati misti
Nel seguente esempio di codice, la richiesta è in formato CSV e la risposta è in formato JSON Lines.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-in-jsonlines-out \
--content-type text/csv \
--accept application/jsonlines \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"probability":0.6}
{"probability":0.3}
```
Nel seguente esempio di codice, la richiesta è in formato JSON Lines e la risposta è in formato CSV.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-jsonlines-in-csv-out \
--content-type application/jsonlines \
--accept text/csv \
--body $'{"features":[1,2,3,4]}\n{"features":[5,6,7,8]}' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
0.6
0.3
```
Nel seguente esempio di codice, la richiesta è in formato CSV e la risposta è in formato JSON.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-csv-in-jsonlines-out \
--content-type text/csv \
--accept application/jsonlines \
--body $'1,2,3,4\n5,6,7,8' \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"predictions":[{"label":1,"score":0.6},{"label":0,"score":0.3}]}
```
# Requisiti dei dati delle immagini
Un processo di elaborazione SageMaker Clarify fornisce supporto per spiegare le immagini. Questo argomento fornisce i requisiti di formato dei dati per i dati di immagini. Per informazioni sull’elaborazione dei dati delle immagini, consulta [Analisi dei dati delle immagini per la spiegabilità della visione artificiale](clarify-processing-job-run.md#clarify-processing-job-run-cv).
Un set di dati di immagini contiene uno o più file di immagine. Per identificare un set di dati di input per il processo di elaborazione di SageMaker Clarify, imposta un `dataset_uri` parametro di configurazione [ProcessingInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob.html#sagemaker-CreateProcessingJob-request-ProcessingInputs)denominato `dataset` o di analisi su un prefisso URI Amazon S3 dei tuoi file di immagine.
Nella seguente tabella sono elencati i formati di immagine e le estensioni di file supportati.
| Formato di immagine | Estensione di file |
| --- | --- |
| JPEG | jpg, jpeg |
| PNG | png |
Imposta il parametro `dataset_type` di configurazione dell'analisi su **application/x-image**. Poiché il tipo non è un formato di file di immagine specifico, `content_type` verrà utilizzato per decidere il formato e l'estensione del file di immagine.
[Il processo di elaborazione SageMaker Clarify carica ogni file di immagine su un array NumPy tridimensionale per un'ulteriore elaborazione.](https://numpy.org/doc/stable/reference/generated/numpy.ndarray.html) Le tre dimensioni includono altezza, larghezza e i valori RGB di ogni pixel.
## Formato di richiesta dell’endpoint
Il processo di elaborazione SageMaker Clarify converte i dati RGB non elaborati di un'immagine in un formato di immagine compatibile, come JPEG. Lo fa prima di inviare i dati all'endpoint per le previsioni. I formati di immagine supportati sono i seguenti:
| Formato dei dati | Tipo MIME | Estensione di file |
| --- | --- | --- |
| JPEG | `image/jpeg` | jpg, jpeg |
| PNG | `image/png` | png |
| NPY | `application/x-npy` | Tutti i formati sopra elencati |
Specifica il formato dei dati di payload della richiesta, utilizzando il parametro `content_type`. Se `content_type` non viene fornito, il formato dei dati predefinito è `image/jpeg`.
## Formato di risposta dell’endpoint
Dopo aver ricevuto la risposta di una chiamata di un endpoint di inferenza, il job di elaborazione SageMaker Clarify deserializza il payload di risposta e quindi ne estrae le previsioni.
### Problema di classificazione delle immagini
Il formato dei dati di payload della risposta deve essere specificato dal parametro accept\$1type di configurazione dell'analisi. Se `accept_type` non viene fornito, il formato dei dati predefinito è `application/json`. I formati supportati sono gli stessi descritti nella sezione dei dati tabulari in **Risposta dell'endpoint per i dati tabulari**.
Vedi un [Inferenza con l'algoritmo di classificazione delle immagini](image-classification.md#IC-inference) esempio di algoritmo di classificazione delle immagini integrato nell' SageMaker intelligenza artificiale che accetta una singola immagine e quindi restituisce una serie di valori di probabilità (punteggi), ciascuno per una classe.
Come mostrato nella tabella seguente, quando il parametro `content_type` è impostato su `application/jsonlines`, la risposta è un oggetto JSON.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola | '\$1"prediction":[0.1,0.6,0.3]\$1' |
Nell'esempio precedente, imposta il `probability` parametro sull' JMESPath espressione «previsione» per estrarre i punteggi.
Quando il parametro `content_type` è impostato su `application/json`, la risposta è un oggetto JSON, come mostrato nella seguente tabella.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola | '[0.1,0.6,0.3]' |
Nell'esempio precedente, impostate `probability` l' JMESPath espressione «[\$1]» per estrarre tutti gli elementi dell'array. Nell'esempio precedente, [`0.1, 0.6, 0.3]` viene estratto. In alternativa, se ignori l'impostazione del parametro `probability` di configurazione, vengono estratti anche tutti gli elementi della matrice. Questo perché l'intero payload viene deserializzato come le previsioni.
### Problema di rilevamento di oggetti
La configurazione dell’analisi `accept_type` viene impostata sul valore predefinito `application/json` e l’unico formato supportato è Object Detection Inference Format. Per ulteriori informazioni sui formati della risposta, consulta [Formati della risposta](object-detection-in-formats.md#object-detection-recordio).
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce una matrice. Ogni elemento della matrice è una matrice di valori contenente l'indice di classe, il punteggio di attendibilità e le coordinate dei riquadri di delimitazione dell'oggetto rilevato.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola (un oggetto) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]' |
| Immagine singola (due oggetti) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]' |
La seguente tabella è un esempio di risposta da un endpoint che genera un oggetto JSON con una chiave che fa riferimento alla matrice. Imposta la configurazione di analisi `probability` sulla chiave "prediction" per estrarre i valori.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola (un oggetto) | '\$1"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]\$1' |
| Immagine singola (due oggetti) | '\$1"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]\$1' |
## Verifica preventivamente la richiesta e la risposta dell'endpoint per i dati di immagini
Ti consigliamo di distribuire il modello su un endpoint di inferenza in tempo reale di SageMaker intelligenza artificiale e di inviare richieste all'endpoint. Esamina manualmente le richieste e le risposte. Assicurati che entrambe siano conformi ai requisiti nella sezione **Richiesta dell'endpoint per dati di immagini** e **Risposta dell'endpoint per dati di immagini**.
Di seguito sono riportati due esempi di codice che mostrano come inviare richieste ed esaminare le risposte ai problemi di classificazione delle immagini e di rilevamento degli oggetti.
### Problema di classificazione delle immagini
L'esempio di codice seguente indica a un endpoint di leggere un file PNG e quindi lo classifica.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-image-classification \
--content-type "image/png" \
--accept "application/json" \
--body fileb://./test.png \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
[0.1,0.6,0.3]
```
### Problema di rilevamento di oggetti
L'esempio di codice seguente indica a un endpoint di leggere un file JPEG e quindi rileva gli oggetti in esso contenuti.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-object-detection \
--content-type "image/jpg" \
--accept "application/json" \
--body fileb://./test.jpg \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475],[4.0, 0.32643985450267792, 0.3677481412887573, 0.034883320331573486, 0.6318609714508057, 0.5967587828636169],[8.0, 0.22552496790885925, 0.6152569651603699, 0.5722782611846924, 0.882301390171051, 0.8985623121261597],[3.0, 0.42260299175977707, 0.019305512309074402, 0.08386176824569702, 0.39093565940856934, 0.9574796557426453]]}
```
# Dati di serie temporali
I dati di serie temporali si riferiscono ai dati che possono essere caricati in un dataframe tridimensionale. Nel frame di ogni timestamp, ogni riga rappresenta un record di destinazione e ogni record di destinazione ha una o più colonne correlate. I valori all'interno di ogni cella del frame di dati possono essere di tipo numerico, categorico o testuale.
## Prerequisiti del set di dati di serie temporali
Prima dell’analisi, completa le fasi di pre-elaborazione necessarie per preparare i dati, come la pulizia dei dati o l’ingegneria delle caratteristiche. È possibile fornire uno o più set di dati. Se fornite più set di dati, utilizzate uno dei seguenti metodi per fornirli al processo di elaborazione di SageMaker Clarify:
+ Utilizzate una configurazione [ProcessingInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProcessingInput.html)denominata `dataset` o di analisi `dataset_uri` per specificare il set di dati principale. Per ulteriori informazioni su `dataset_uri`, consulta l’elenco di parametri in [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
+ Utilizza il parametro `baseline` fornito nel file di configurazione dell'analisi. Il set di dati baseline è necessario per `static_covariates`, se presente. Per ulteriori informazioni sul file di configurazione dell’analisi, inclusi gli esempi, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
Questa tabella elenca i formati di dati supportati, le relative estensioni di file e i tipi MIME.
| Formato dei dati | Estensione di file | Tipo MIME |
| --- | --- | --- |
| `item_records` | json | `application/json` |
| `timestamp_records` | json | `application/json` |
| `columns` | json | `application/json` |
JSON è un formato flessibile che può rappresentare qualsiasi livello di complessità nei dati strutturati. Come mostrato nella tabella, SageMaker Clarify supporta i formati `item_records``timestamp_records`, e. `columns`
## Esempi di configurazione dei set di dati di serie temporali
Questa guida mostra come impostare una configurazione dell’analisi con `time_series_data_config` per i dati di serie temporali in formato JSON. Supponiamo di avere un set di dati con due elementi, ciascuno con un timestamp (t), una serie temporale di destinazione (x), due serie temporali correlate (r) e due covariate statiche (u) come descritto di seguito:
t1 = [0,1,2], t2 = [2,3]
x1 = [5,6,4], x2 = [0,4]
r1 = [0,1,0], r21 = [1,1]
r12 = [0,0,0], r22 = [1,0]
u11 = -1, u21 = 0
u12 = 1, u22 = 2
Puoi codificare il set di dati utilizzando `time_series_data_config` in tre modi diversi, a seconda del valore `dataset_format`. Le sezioni seguenti descrivono questi tre metodi.
### Configurazione dei dati di serie temporali: quando `dataset_format` è `columns`.
L’esempio seguente utilizza il valore `columns` per `dataset_format`. Il file JSON seguente rappresenta il set di dati precedente.
```
{
"ids": [1, 1, 1, 2, 2],
"timestamps": [0, 1, 2, 2, 3], # t
"target_ts": [5, 6, 4, 0, 4], # x
"rts1": [0, 1, 0, 1, 1], # r1
"rts2": [0, 0, 0, 1, 0], # r2
"scv1": [-1, -1, -1, 0, 0], # u1
"scv2": [1, 1, 1, 2, 2], # u2
}
```
Nota che gli ID elemento vengono ripetuti nel campo `ids`. La corretta implementazione di `time_series_data_config` è mostrata di seguito:
```
"time_series_data_config": {
"item_id": "ids",
"timestamp": "timestamps",
"target_time_series": "target_ts",
"related_time_series": ["rts1", "rts2"],
"static_covariates": ["scv1", "scv2"],
"dataset_format": "columns"
}
```
### Configurazione dei dati di serie temporali: quando `dataset_format` è `item_records`.
L’esempio seguente utilizza il valore `item_records` per `dataset_format`. Il seguente file JSON rappresenta il set di dati.
```
[
{
"id": 1,
"scv1": -1,
"scv2": 1,
"timeseries": [
{"timestamp": 0, "target_ts": 5, "rts1": 0, "rts2": 0},
{"timestamp": 1, "target_ts": 6, "rts1": 1, "rts2": 0},
{"timestamp": 2, "target_ts": 4, "rts1": 0, "rts2": 0}
]
},
{
"id": 2,
"scv1": 0,
"scv2": 2,
"timeseries": [
{"timestamp": 2, "target_ts": 0, "rts1": 1, "rts2": 1},
{"timestamp": 3, "target_ts": 4, "rts1": 1, "rts2": 0}
]
}
]
```
Ogni elemento è rappresentato come una voce separata nel file JSON. Il frammento seguente mostra il corrispondente `time_series_data_config` (che utilizza). JMESPath
```
"time_series_data_config": {
"item_id": "[*].id",
"timestamp": "[*].timeseries[].timestamp",
"target_time_series": "[*].timeseries[].target_ts",
"related_time_series": ["[*].timeseries[].rts1", "[*].timeseries[].rts2"],
"static_covariates": ["[*].scv1", "[*].scv2"],
"dataset_format": "item_records"
}
```
### Configurazione dei dati di serie temporali: quando `dataset_format` è `timestamp_record`.
L’esempio seguente utilizza il valore `timestamp_record` per `dataset_format`. Il file JSON seguente rappresenta il set di dati precedente.
```
[
{"id": 1, "timestamp": 0, "target_ts": 5, "rts1": 0, "rts2": 0, "svc1": -1, "svc2": 1},
{"id": 1, "timestamp": 1, "target_ts": 6, "rts1": 1, "rts2": 0, "svc1": -1, "svc2": 1},
{"id": 1, "timestamp": 2, "target_ts": 4, "rts1": 0, "rts2": 0, "svc1": -1, "svc2": 1},
{"id": 2, "timestamp": 2, "target_ts": 0, "rts1": 1, "rts2": 1, "svc1": 0, "svc2": 2},
{"id": 2, "timestamp": 3, "target_ts": 4, "rts1": 1, "rts2": 0, "svc1": 0, "svc2": 2},
]
```
Ogni voce del file JSON rappresenta un singolo timestamp e corrisponde a un singolo elemento. L’implementazione di `time_series_data_config` è mostrata di seguito:
```
{
"item_id": "[*].id",
"timestamp": "[*].timestamp",
"target_time_series": "[*].target_ts",
"related_time_series": ["[*].rts1"],
"static_covariates": ["[*].scv1"],
"dataset_format": "timestamp_records"
}
```
# Richieste degli endpoint per i dati di serie temporali
Un processo di elaborazione SageMaker Clarify serializza i dati in strutture JSON arbitrarie (con tipo MIME:). `application/json` A tale scopo, è necessario fornire una stringa di esempio al parametro `content_template` di configurazione dell'analisi. Viene utilizzato dal processo di elaborazione SageMaker Clarify per costruire la query JSON fornita al modello. `content_template`contiene uno o più record del set di dati. Devi anche fornire una stringa di modello per `record_template`, che viene utilizzata per costruire la struttura JSON di ogni record. Questi record vengono quindi inseriti in `content_template`. Per ulteriori informazioni su `content_type` o `dataset_type`, consulta [File di configurazione dell’analisi](clarify-processing-job-configure-analysis.md).
**Nota**
Poiché `content_template` e `record_template` sono parametri di stringa, tutti i caratteri con virgolette doppie (”) che fanno parte della struttura serializzata JSON devono essere annotati come caratteri di escape nella configurazione. Ad esempio, se vuoi evitare una virgoletta doppia in Python, puoi inserire il valore seguente per `content_template`.
```
'$record'
```
La tabella seguente mostra esempi di payload di richieste JSON serializzate e i corrispondenti parametri `content_template` e `record_template` necessari per costruirli.
| Caso d’uso | Payload di richiesta dell'endpoint (rappresentazione di stringhe) | content\$1template | record\$1template |
| --- | --- | --- | --- |
| Un solo record alla volta. | `{"target": [1, 2, 3],"start": "2024-01-01 01:00:00"}` | `'$record'` | `'{"start": $start_time, "target": $target_time_series}'` |
| Un solo record con `$related_time_series` e `$static_covariates` | `{"target": [1, 2, 3],"start": "2024-01-01 01:00:00","dynamic_feat": [[1.0, 2.0, 3.0],[1.0, 2.0, 3.0],"cat": [0,1]}` | `'$record'` | `'{"start": $start_time, "target": $target_time_series, "dynamic_feat": $related_time_series, "cat": $static_covariates}'` |
| Più record | `{"instances": [{"target": [1, 2, 3],"start": "2024-01-01 01:00:00"}, {"target": [1, 2, 3],"start": "2024-01-01 02:00:00"}]}` | `'{"instances": $records}'` | `'{"start": $start_time, "target": $target_time_series}'` |
| Più record con `$related_time_series` e `$static_covariates` | `{"instances": [{"target": [1, 2, 3],"start": "2024-01-01 01:00:00","dynamic_feat": [[1.0, 2.0, 3.0],[1.0, 2.0, 3.0],"cat": [0,1]}, {"target": [1, 2, 3],"start": "2024-01-01 02:00:00","dynamic_feat": [[1.0, 2.0, 3.0],[1.0, 2.0, 3.0],"cat": [0,1]}]}` | `'{"instances": $records}'` | `''{"start": $start_time, "target": $target_time_series, "dynamic_feat": $related_time_series, "cat": $static_covariates}'` |
# Risposta degli endpoint per i dati di serie temporali
Il processo di elaborazione SageMaker Clarify deserializza l'intero payload come JSON. Quindi estrae le previsioni dai dati deserializzati utilizzando le espressioni fornite nella configurazione di analisi. JMESPath I record del payload di risposta devono corrispondere ai record nel payload di richiesta.
La tabella seguente è un esempio di risposta da parte di un endpoint che restituisce solo il valore medio di previsione. Il valore `forecast` utilizzato nel `predictor` campo nella [configurazione dell'analisi](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-configure-analysis.html#clarify-processing-job-configure-analysis-parameters) deve essere fornito come JMESPath espressione per trovare il risultato della previsione per il processo di elaborazione.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) | JMESPath espressione per la previsione nella configurazione dell'analisi |
| --- | --- | --- |
| Esempio di record singolo. Per estrarre correttamente la previsione, la configurazione deve essere `TimeSeriesModelConfig(forecast="prediction.mean")`. | `'{"prediction": {"mean": [1, 2, 3, 4, 5]}'` | `'prediction.mean'` |
| Più record. Una risposta endpoint AWS DeepAR. | `'{"predictions": [{"mean": [1, 2, 3, 4, 5]}, {"mean": [1, 2, 3, 4, 5]}]}'` | `'predictions[*].mean'` |
# Controllo preventivo della richiesta e della risposta degli endpoint per i dati di serie temporali
Si consiglia di implementare il modello su un endpoint di inferenza SageMaker AI in tempo reale e di inviare richieste all'endpoint. Esamina manualmente le richieste e le risposte per verificare che entrambe siano conformi ai requisiti nelle sezioni [Richieste degli endpoint per i dati di serie temporali](clarify-processing-job-data-format-time-series-request-jsonlines.md) e [Risposta degli endpoint per i dati di serie temporali](clarify-processing-job-data-format-time-series-response-json.md). Se il container del modello supporta le richieste batch, puoi iniziare con una singola richiesta di record e quindi provare con due o più record.
I comandi seguenti mostrano come richiedere una risposta utilizzando la AWS CLI. AWS CLI È preinstallato nelle istanze Studio e Notebook. SageMaker Per installare AWS CLI, segui la guida all'[installazione](https://aws.amazon.com//cli/).
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name $ENDPOINT_NAME \
--content-type $CONTENT_TYPE \
--accept $ACCEPT_TYPE \
--body $REQUEST_DATA \
$CLI_BINARY_FORMAT \
/dev/stderr 1>/dev/null
```
I parametri sono definiti come segue:
+ \$1ENDPOINT NAME: il nome dell’endpoint.
+ \$1CONTENT\$1TYPE: il tipo MIME della richiesta (input del container del modello).
+ \$1ACCEPT\$1TYPE: il tipo MIME della risposta (output del container del modello).
+ \$1REQUEST\$1DATA: la stringa payload richiesta.
+ \$1CLI\$1BINARY\$1FORMAT: il formato del parametro dell’interfaccia a riga di comando (CLI). Per la AWS CLI versione 1, questo parametro deve rimanere vuoto. Per v2, questo parametro deve essere impostato su `--cli-binary-format raw-in-base64-out`.
**Nota**
AWS CLI Per impostazione predefinita, v2 passa i parametri binari come stringhe con codifica base64. I seguenti esempi di richiesta e risposta da e verso l'endpoint utilizzano v1. AWS CLI
------
#### [ Example 1 ]
Nell’esempio di codice seguente, la richiesta è costituita da un solo record.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-json \
--content-type application/json \
--accept application/json \
--body '{"target": [1, 2, 3, 4, 5],
"start": "2024-01-01 01:00:00"}' \
/dev/stderr 1>/dev/null
```
Il frammento seguente mostra l’output della risposta corrispondente.
```
{'predictions': {'mean': [1, 2, 3, 4, 5]}
```
------
#### [ Example 2 ]
Nell’esempio di codice seguente, la richiesta contiene due record.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-json-2 \
--content-type application/json \
--accept application/json \
--body $'{"instances": [{"target":[1, 2, 3],
"start":"2024-01-01 01:00:00",
"dynamic_feat":[[1, 2, 3, 4, 5],
[1, 2, 3, 4, 5]]}], {"target":[1, 2, 3],
"start":"2024-01-02 01:00:00",
"dynamic_feat":[[1, 2, 3, 4, 5],
[1, 2, 3, 4, 5]]}]}' \
dev/stderr 1>/dev/null
```
Di seguito è riportato l’output della risposta.
```
{'predictions': [{'mean': [1, 2, 3, 4, 5]}, {'mean': [1, 2, 3, 4, 5]}]}
```
------