L'esecuzione di un esperimento AutoAI sulle serie temporali con la previsione di anomalie fallisce

La funzione di previsione delle anomalie nei risultati di un esperimento di serie temporali non è più supportata. Se si tenta di eseguire un esperimento esistente, si verificano errori per la mancanza di librerie di runtime. Ad esempio, potrebbe essere visualizzato questo errore:

The selected environment seems to be invalid: Could not retrieve environment. CAMS error: Missing or invalid asset id

Questo comportamento è previsto in quanto i tempi di esecuzione per la previsione delle anomalie non sono supportati. Non esiste una soluzione per questo problema.

Il notebook di inferenza AutoAI per un esperimento RAG supera i limiti del modello

A volte, quando si esegue un notebook di inferenza generato per un esperimento AutoAI RAG, si può ottenere questo errore:

MissingValue: No "model_limits" provided. Reason: Model <model-nam> limits cannot be found in the model details.

L'errore indica che mancano i limiti dei token per l'inferenza del modello di fondazione utilizzato per l'esperimento. Per risolvere il problema, trovare la funzione 'default_inference_function e sostituire 'get_max_input_tokens con i token massimi per il modello. Ad esempio:

model = ModelInference(api_client=client, **params['model"])
# model_max_input_tokens = get+max_input_tokens(model=model, params=params)
model_max_input_tokens = 4096

È possibile trovare il valore massimo del token per il modello nella tabella dei modelli di fondazione supportati disponibili con watsonx.ai

L'addestramento di un esperimento AutoAI fallisce con le credenziali dell'ID del servizio

Se si sta addestrando un esperimento AutoAI utilizzando la chiave API per il serviceID, addestramento potrebbe fallire con questo errore:

User specified in query parameters does not match user from token.

Un modo per risolvere questo problema è eseguire l'esperimento con le proprie credenziali utente. Se si desidera eseguire l'esperimento con le credenziali del servizio, seguire questi passaggi per aggiornare i ruoli e i criteri per l'ID del servizio.

1. Aprire il serviceID su IBM Cloud.
2. Creare un nuovo serviceID o aggiornare l'ID esistente con il seguente criterio di accesso:
   • Tutti i servizi di gestione degli account IAM con i ruoli di revisore di chiavi API, creatore di chiavi API utente, visualizzatore, operatore ed editor. L'ideale sarebbe creare una nuova apikey per questo ServiceId. '
3. La politica aggiornata avrà il seguente aspetto:
4. Eseguire nuovamente il training con le credenziali per il serviceID aggiornato.

La richiesta di predizione per il modello di serie temporali AutoAI può andare in time out con troppe nuove osservazioni

Una richiesta di predizione può andare in time out per un modello di serie temporali AutoAI distribuito se sono passate troppe nuove osservazioni. Per risolvere il problema, effettuare una delle seguenti operazioni:

• Ridurre il numero di nuove osservazioni.
• Estendere i dati di addestramento utilizzati per l'esperimento aggiungendo nuove osservazioni. Quindi, rieseguire l'esperimento AutoAI sulle serie temporali con i dati di formazione aggiornati.

Membri di classe insufficienti nei dati di addestramento per l'esperimento AutoAI

I dati di addestramento per un esperimento AutoAI devono avere almeno 4 membri per ogni classe. Se i tuoi dati di formazione non hanno un numero sufficiente di membri in una classe, riscontrerai questo errore:

ERROR: ingesting data Message id: AC10011E. Message: Each class must have at least 4 members. The following classes have too few members: ['T'].

Per risolvere il problema, aggiornare i dati di addestramento per rimuovere la classe o aggiungere più membri.

Le distribuzioni batch che utilizzano volumi di dati di grandi dimensioni come input potrebbero non riuscire

Se si sta calcolando il punteggio di un lavoro batch che utilizza grandi volumi di dati come origine di input, il lavoro potrebbe non riuscire a causa delle impostazioni di timeout interne. Un sintomo di questo problema potrebbe essere un messaggio di errore simile al seguente esempio:

Incorrect input data: Flight returned internal error, with message: CDICO9999E: Internal error occurred: Snowflake sQL logged error: JDBC driver internal error: Timeout waiting for the download of #chunk49(Total chunks: 186) retry=0.

Se il timeout si verifica quando si calcola il punteggio della distribuzione batch, è necessario configurare la limitazione del timeout a livello di query dell'origine dati per gestire i job di lunga durata.

Le informazioni di timeout a livello di query per le origini dati sono le seguenti:

Per evitare che le distribuzioni batch non vengano eseguite correttamente, partizionare il dataset o diminuirne la dimensione.

Sicurezza per i caricamenti di file

I file caricati tramite watsonx.ai Studio o watsonx.ai Runtime UI non vengono convalidati o scansionati per individuare contenuti potenzialmente dannosi. Si consiglia di eseguire il software di sicurezza, ad esempio un'applicazione antivirus, su tutti i file prima del caricamento per garantire la sicurezza dei contenuti.

Le distribuzioni con specifiche software limitate non riescono dopo un aggiornamento

Se si esegue l'aggiornamento a una versione più recente di IBM Cloud Pak for Data e si distribuisce un'applicazione R Shiny creata utilizzando specifiche software limitate in modalità FIPS, la distribuzione non riesce.

Ad esempio, le distribuzioni che utilizzano le specifiche software 'shiny-r3.6 e 'shiny-r4.2 non funzionano dopo l'aggiornamento da IBM Cloud Pak for Data versione 4.7.0 a 4.8.4 o successiva. Potresti ricevere il messaggio di erroreError 502 - Bad Gateway .

Per evitare che la distribuzione fallisca, aggiorna la specifica ristretta per la risorsa distribuita per utilizzare la specifica software più recente. Per ulteriori informazioni, vedere Gestione di specifiche o framework software obsoleti. Puoi anche eliminare la distribuzione dell'applicazione se non ti serve più.

La creazione di un lavoro per un flusso SPSS Modeler in uno spazio di distribuzione non riesce

Durante il processo di configurazione di un lavoro batch per il flusso SPSS Modeler in uno spazio di distribuzione, la mappatura automatica delle risorse di dati con la rispettiva connessione potrebbe fallire.

Per risolvere l'errore di mappatura automatica delle risorse di dati e delle connessioni, procedere come segue:

1. Fare clic su Crea per salvare i progressi e uscire dalla finestra di dialogo Configurazione nuovo lavoro.

2. Nello spazio di distribuzione, fare clic sulla scheda Lavori e selezionare il lavoro di flusso SPSS Modeler per esaminare i dettagli del lavoro.

3. Nella pagina dei dettagli del lavoro, fare clic sull'icona Modifica ' per aggiornare manualmente la mappatura degli asset di dati e delle connessioni.

4. Dopo aver aggiornato la mappatura degli asset di dati e delle connessioni, è possibile riprendere il processo di configurazione delle impostazioni del lavoro nella finestra di dialogo Nuovo lavoro. Per ulteriori informazioni, consultare la sezione Creazione di lavori di distribuzione per i flussi di SPSS Modeler