Model

Un Model, in Alida, raccoglie metadati e file implementanti un modello di machine learning.

Gestione dei Model

La pagina di gestione dei Model è raggiungibile dal menù laterale:

^{Visualizza model dal menu laterale}

Da lì è possibile visualizzare l'elenco dei Model presenti a catalogo:

^{Visualizza la lista dei model}

Qui, dalla barra superiore, è possibile:

^{Filtri di ricerca dei model}

• Cercare i Model per parole chiave
• Filtrare i Model per stato
  • Virtual ()
  • Created
• Filtrare per livello di Privacy
• Filtrare per tags
• Ordinare e cambiare pagina
• Accedere al form di registrazione Model

Inoltre, dalla card di ciascun Model è possibile accedere alle seguenti funzioni:

Scaricare il Model sul computer locale

Eliminare il Model

Registrazione nuovo Model

Per registrare un nuovo Model clicca su + Register Model dalla pagine di gestione dei Model si aprirà il form di registrazione:

^{Form di registrazione model}

A questo punto la procedura è del tutto analoga a quanto visto durante il Quickstart per il caricamento di un Dataset (vedi Caricamento Dataset nel Quickstart)

L'unica differenza sta nel fatto che qui si potrà anche selezionare il formato del Model da caricare.

I formati supportati sono i seguenti:

format (Alida)	Framework / uso	implementation in model-settings.json	parameters.uri (cosa punta)	Note principali	Documentazione
SKLearn	Modelli scikit-learn serializzati (joblib/pickle)	mlserver_sklearn.SKLearnModel	File modello: es. ./model.joblib o ./model.pkl	Modelli sklearn tabellari salvati via joblib/pickle.	https://github.com/SeldonIO/MLServer/tree/master/runtimes/sklearn
XGBoost	Modelli XGBoost	mlserver_xgboost.XGBoostModel	File modello: es. ./model.json o ./model.bst	Modelli salvati con API XGBoost (save_model).	https://github.com/SeldonIO/MLServer/tree/master/runtimes/xgboost.html
LightGBM	Modelli LightGBM	mlserver_lightgbm.LightGBMModel	File modello: es. ./model.txt / ./model.bst	Artefatti esportati con Booster.save_model.	https://github.com/SeldonIO/MLServer/tree/master/runtimes/lightgbm.html
MLFlow	Modelli salvati o registrati con MLflow	mlserver_mlflow.MLflowRuntime	Directory MLflow, es. ./model oppure models:/MyModel/1	Usa la cartella MLflow (MLmodel, environment, ecc.).	https://github.com/SeldonIO/MLServer/tree/master/runtimes/mlflow.html
HuggingFace	Modelli/pipeline HuggingFace Transformers	mlserver_huggingface.HuggingFaceRuntime	Non sempre necessario; spesso configurati via extra	Per NLP/LLM; configurazione via parameters.extra.	https://github.com/SeldonIO/MLServer/tree/master/runtimes/huggingface.html
Spark Mlib	Modelli Spark MLlib	mlserver_mllib.MLlibModel	Path a pipeline salvata da Spark MLlib	Carica pipeline esportate tramite model.write().save.	https://github.com/SeldonIO/MLServer/tree/master/runtimes/mllib.html
Python	Modelli custom in Python	Es. mlserver_python.PythonModel o tua sottoclasse	Directory con codice Python + eventuale file modello	Permette di implementare load() e predict() manualmente.	https://github.com/SeldonIO/MLServer/tree/master/runtimes/python.html
MLServer	Catch-all per runtime generici (Tempo, Alibi, custom)	Dipende dal runtime desiderato	Directory con artefatti del runtime (Tempo, Alibi, ecc.)	Usato per runtime non coperti sopra.	https://github.com/SeldonIO/MLServer/blob/master/docs/user-guide/custom.md