Datarobot の統合

Datarobotは、機械学習モデルを本番環境に展開するためのツールを提供します。DatarobotをNew Relicと統合することで、システム全体のマシンラーニングのパフォーマンスを計測、分析、トラブルシューティング、最適化することができるようになります。性能を厳密に観察することで、モデルの入力や出力、そして両者の関係性の変化に素早く対応できるようになります。

Datarobot InsightsからモデルのパフォーマンスメトリクスをNew Relicに送信することで、アルゴリズムのリアルタイムモニタリングが可能になります。メトリクスデータを使いやすいチャートで表示し、アルゴリズムの状態を一目で把握することで、トラブルシューティングを迅速かつ効率的に行うことができます。

DatarobotとNew Relicの統合

まず、DatarobotはKafkaトピックを使用して、機械学習アルゴリズムのパフォーマンスメトリクスからInsightsをストリーミングします。次に、New Relic コネクタ (別のアルゴリズム) が、Kafka トピックを特定の New Relic アカウント用のメトリクスデータペイロードに変換します。

DatarobotはKafkaとEvent Flowsを使ってNew Relicにデータを送ります。

Datarobot の Event Flows では、Kafka のトピックに新しいメッセージが設定されると、設定した New Relic のコネクターアルゴリズムが呼び出されます。コネクターはメトリクスを変換して、New Relic アカウントに送信します。

DatarobotのデータをNew Relicに接続します。

インシデントインテリジェンスをDatarobot機械学習モデルと統合することで、機械学習モデルのパフォーマンスを監視できます。

New RelicでDatarobotのイベントフローのモニタリングを始めましょう。

API キーを取得する: one.newrelic.com > (アカウントメニュー) > API キーに移動し、意味のある名前でアカウントのユーザーキーを作成します。後で使用できるように、この名前をメモしておいてください。API キーの詳細については、ドキュメントを参照してください。
ダッシュボードを作成する: one.newrelic.com > Dashboardsに移動し、 Import dashboardsボタンをクリックします。JSON コードをコピーして [ Paste your JSON field code]に貼り付けます。

YOUR_ACCOUNT_IDの値をお客様のアカウントIDに更新してください。

{
  "name": "Datarobot Dashboard for Default Metrics",
  "description": null,
  "permissions": "PUBLIC_READ_WRITE",
  "pages": [
    {
      "name": "Datarobot Dashboard for Default Metrics",
      "description": null,
      "widgets": [
        {
          "visualization": {
            "id": "viz.line"
          },
          "layout": {
            "column": 1,
            "row": 1,
            "height": 3,
            "width": 4
          },
          "title": "Runtime Duration by Algorithm",
          "rawConfiguration": {
            "legend": {
              "enabled": true
            },
            "nrqlQueries": [
              {
                "accountId": YOUR_ACCOUNT_ID,
                "query": "SELECT average(algorithmia.duration_milliseconds) FROM Metric TIMESERIES FACET `algorithm_name` LIMIT 10 SINCE 1800 seconds ago"
              }
            ],
            "yAxisLeft": {
              "zero": true
            }
          },
          "linkedEntityGuids": null
        },
        {
          "visualization": {
            "id": "viz.line"
          },
          "layout": {
            "column": 5,
            "row": 1,
            "height": 3,
            "width": 4
          },
          "title": "Throughput by Algorithm",
          "rawConfiguration": {
            "legend": {
              "enabled": true
            },
            "nrqlQueries": [
              {
                "accountId": YOUR_ACCOUNT_ID,
                "query": "SELECT count(algorithmia.duration_milliseconds) FROM Metric TIMESERIES FACET `algorithm_name` LIMIT 10 SINCE 1800 seconds ago"
              }
            ],
            "yAxisLeft": {
              "zero": true
            }
          },
          "linkedEntityGuids": null
        }
      ]
    }
  ]
}

Datarobot Insights を New Relic 用に設定する： Datarobot を New Relic 用に設定する方法については、 Datarobot のドキュメントをご利用ください。
New Relic のコネクタアルゴリズムを作成する: Python 3.8 を使用してコネクタアルゴリズムを作成します。アルゴリズムを生成するコードを書くのが初めての方は、 Datarobot の入門ガイドをご覧ください。

import Datarobot
import json
from datetime import datetime
from newrelic_telemetry_sdk import GaugeMetric, MetricClient

client = Datarobot.client()
metric_client = MetricClient(os.environ["newrelic_api_key"])


def convert_str_timestamp_to_epoch(str_time):
obj_time = datetime.strptime(str_time, "%Y-%m-%dT%H:%M:%S.%f")
return int(obj_time.timestamp() * 1000)

def get_operational_metrics(payload):
ALGORITHM_TAGS = {
"algorithm_version",
"request_id",
"time",
"algorithm_name",
"session_id",
"algorithm_owner"
}
inference_metrics = {
key: payload[key] for key in payload.keys() ^ ALGORITHM_TAGS
}
return inference_metrics

def send_to_newrelic(inference_metrics, insights_payload):
newrelic_metrics = []
for key, value in inference_metrics.items():
name = "algorithmia." + key
epoch_time = convert_str_timestamp_to_epoch(insights_payload["time"])
tags = {
    "algorithm_name": insights_payload["algorithm_name"],
    "algorithm_version": insights_payload["algorithm_version"],
    "algorithm_owner": insights_payload["algorithm_owner"],
    "request_id": insights_payload["request_id"],
    "session_id": insights_payload["session_id"],
}

newrelic_metrics.append(GaugeMetric(
    name=name, value=value, tags=tags, end_time_ms=epoch_time
))

response = metric_client.send_batch(newrelic_metrics)
response.raise_for_status()


def apply(input):
insights_payload = input
inference_metrics = get_operational_metrics(insights_payload)
send_to_newrelic(inference_metrics, insights_payload)
return None

これらの依存関係を含める。

algorithmia>=1.0.0,<2.0
newrelic_telemetry_sdk==0.4.2

アルゴリズムの構築が完了したら、このサンプルペイロードでテストを行い、正常に動作することを確認してください。出力は次のようになります。

{
"risk_score": 0.2,
"duration_milliseconds": 8,
"algorithm_version": "1.0.6",
"session_id": "rses-f28bb94a-5556-4aeb-a6d2-89493626bf4f",
"time": "2021-02-20T00:21:54.867231",
"algorithm_name": "credit_card_approval",
"request_id": "req-9f5345b4-a1cd-431c-a43a-bd2a06f4a6f4",
"algorithm_owner": "asli"
}

API キーを使って設定する: New Relic API キーを Datarobot のシークレットストアに追加する.
DatarobotのイベントフローをNew Relicで設定する： Datarobotのドキュメントイベントベースの機械学習フローをNew Relicに送信するためのコネクタアルゴリズムの設定については、を参照してください。

このドキュメントはインストールで役立ちましたか。

機械学習モデルのモニタリング

以下の手順で、マシンラーニングのデータをNew Relicで観察することができます。

API キーを取得する: one.newrelic.com > (ユーザーメニュー) > API キーに移動します。意味のある名前でアカウントのユーザーキーを作成します。後で使用できるように、この名前をメモしておいてください。API キーの詳細については、ドキュメントを参照してください。
ダッシュボードを作成する: one.newrelic.com > Dashboardsに移動し、 Import dashboardsボタンをクリックします。JSON コードをコピーして [ Paste your JSON field code]に貼り付けます。