Documentation OVH

Découvrir les API OVH Prescience

Découvrez comment gérer les API OVH Prescience

Dernière mise à jour le 26/09/2018

Objectif

Prescience est un outil d'apprentissage automatique, pilotable via plusieurs API, celles-ci étant accessibles à l'utilisateur pour automatiser de multiples actions.

Ce guide vous présente ces API en détail afin de vous permettre de piloter votre propre plateforme OVH Prescience.

API URL Description
Prescience API https://prescience-api.ai.ovh.net API permettant de manipuler les « sources »,« datasets » et « modèles » de Prescience.
Prescience Serving https://prescience-serving.ai.ovh.net API permettant d'évaluer un modèle généré par Prescience.

Authentification

L'utilisation de Prescience nécessite un jeton d'authentification.

Voici un exemple d'appel API :

curl -X GET "https://prescience-api.ai.ovh.net/project" -H "Authorization: Bearer ${TOKEN}"

API OVH Prescience

Sources

L'objet « source » est le résultat d'une tâche de parsing (analyse). Lors de l'appel API, l'objet retourné inclut les éléments suivants :

Champ Description Type Ordonnable Filtrable
source_id Identifiant de la source String Oui Non
input_url URL interne du fichier pré-parsing String Non Non
source_url URL interne du fichier post-parsing String Non Non
input_type Type du fichier source String Oui Non
headers Le fichier pré-parsing contient les headers Boolean Oui Non
separator Séparateur du fichier pré-parsing si CSV String Non Non
schema Chaîne de caractères représentant le schéma en JSON String Non Non
status Statut de la source Status Oui Non
last_update Date de la dernière mise à jour Timestamp Oui Non
created_at Date de création Timestamp Oui Non
total_step Nombre total d'étapes du processus de parsing Integer Non Non
current_step Étape courante du processus de parsing Integer Non Non
current_step_description Description de l'étape courante du processus de parsing String Non Non
  • Liste des sources :

GET https://prescience-api.ai.ovh.net/source

Paramètres Type In Requis Défaut Signification Exemple
Page Integer Query Non 1 Numéro de la page 2
Size Integer Query Non 100 Nombre d'éléments par page 50
Sort_column String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
Sort_direction String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
  • Récupération d'une source :

GET https://prescience-api.ai.ovh.net/source/{id_source}

Paramètres Type In Requis Défaut Signification Exemple
id_source String Path Oui Identifiant de la source ma_source
  • Suppression d'une source :

DELETE https://prescience-api.ai.ovh.net/source/{id_source}

Paramètres Type In Requis Défaut Signification Exemple
id_source String Path Oui Identifiant de la source ma_source

Datasets

L'objet « dataset » est le résultat d'une tâche de « preprocessing ». Lors de l'appel API, l'objet retourné contiendra les éléments suivants :

Champ Description Type Ordonnable Filtrable
dataset_id Identifiant du dataset String Oui Oui
source Objet « source » ayant généré le dataset Source Non Oui
dataset_url URL interne du fichier résultant du pré-process String Non Non
transformation_url URL interne du fichier PMML de transformation String Non Non
label_id Identifiant de la colonne « label » String Oui Non
problem_type Type du problème de machine learning (« Classification »/« Regression ») String Oui Non
nb_fold Nombre de découpages réalisés par le pré-process Boolean Oui Non
selected_columns Liste des colonnes choisies dans la source String[] Non Non
schema Chaîne de caractères représentant le schéma en JSON String Non Non
status Statut du dataset Status Oui Non
last_update Date de la dernière mise à jour Timestamp Oui Non
created_at Date de création Timestamp Oui Non
total_step Nombre total d'étapes du processus de preprocess Integer Non Non
current_step Étape courante du processus de preprocess Integer Non Non
current_step_description Description de l'étape courante du processus de preprocess String Non Non
  • Liste des datasets :

GET https://prescience-api.ai.ovh.net/dataset/

Paramètres Type In Requis Défaut Signification Exemple
Page Integer Query Non 1 Numéro de la page 2
Size Integer Query Non 100 Nombre d'éléments par page 50
Sort_column String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
Sort_direction String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
Dataset_id String Query Non Champ de filtrage sur le nom du dataset (recherche en mode LIKE) dataset
Source_id String Query Non Champ de filtrage sur le nom de la source du dataset (recherche en mode LIKE) source
  • Récupération d'un dataset :

GET https://prescience-api.ai.ovh.net/dataset/{id_dataset}

Paramètres Type In Requis Défaut Signification Exemple
id_dataset String Path Oui Identifiant du dataset mon_dataset
  • Suppression d'un dataset :

DELETE https://prescience-api.ai.ovh.net/dataset/{id_dataset}

Paramètres Type In Requis Défaut Signification Exemple
id_dataset String Path Oui Identifiant du dataset mon_dataset

Modèles

L'objet « modèle » est le résultat d'une tâche de « train ». Lors de l'appel API, l'objet retourné comportera les éléments suivants :

Champ Description Type Ordonnable Filtrable
model_id Identifiant du modèle String Oui Non
dataset Objet « dataset » ayant généré le modèle Dataset Non Oui
label_id Identifiant de la colonne « label » String Oui Non
config Objet « config » ayant généré le modèle Config Non Non
status Statut du dataset Status Oui Non
last_update Date de la dernière mise à jour Timestamp Oui Non
created_at Date de création Timestamp Oui Non
total_step Nombre total d'étapes du processus de « train » Integer Non Non
current_step Étape courante du processus de « train » Integer Non Non
current_step_description Description de l'étape courante du processus de « train » String Non Non

L'objet « config » décrit la configuration utilisée pour générer le modèle de machine learning.

Champ Description Type
name Nom de l'algorithme utilisé String
class_identifier Identifiant interne String
kwargs Hyperparamètres du modèle Dictonnaire
  • Liste des modèles :

GET https://prescience-api.ai.ovh.net/model

Paramètres Type In Requis Défaut Signification Exemple
Page Integer Query Non 1 Numéro de la page souhaitée 2
Size Integer Query Non 100 Nombre d'éléments souhaités par page 50
Sort_column String Query Non created_at Champ selon lequel les résultats sont ordonnés model_id
Sort_direction String Query Non created_at Champ selon lequel les résultats sont ordonnés model_id
Dataset_id String Query Non Champ de filtrage sur le nom du dataset (recherche en mode LIKE) dataset
  • Récupération d'un modèle :

GET https://prescience-api.ai.ovh.net/model/{id_model}

Paramètres Type In Requis Défaut Signification Exemple
id_model String Path Oui Identifiant du modèle mon_model
  • Suppression d'un modèle :

DELETE https://prescience-api.ai.ovh.net/model/{id_model}

Paramètres Type In Requis Défaut Signification Exemple
id_model String Path Oui Identifiant du modèle mon_model

Parsing

Pour créer une « source », il faut lancer une tâche de parsing.

POST https://prescience-api.ai.ovh.net/ml/upload/source

Paramètres Type In Requis Défaut Signification Exemple
parse.source_id String Multipart parse JSON Oui Nom de la source ma-source
parse.input_type String Multipart parse JSON Oui Type de fichier CSV ou parquet uniquement CSV
parse.separator String Multipart parse JSON Non , Séparateur dans le cas d'un fichier CSV ;
files Files Multipart input-file-file-index name Non Fichier à uploader (peut en contenir plusieurs) input-file-0

Exemple :

En partant du principe que les fichiers CSV « data-1.csv » et « data-2.csv » sont dans un même répertoire :

  • fichier parse.json
{
    "source_id": "ma-source",
    "input_type": "csv",
    "separator": ","
}

curl -H "Authorization: Bearer ${TOKEN}" -v \
    -F parse='@parse.json;type=application/json' \
    -F input-file-1=@data-1.csv \
    -F input-file-2=@data-2.csv \
    https://prescience-api.ai.ovh.net/ml/upload/source

La source renvoyée dans la réponse est incomplète. En effet, la tâche étant asynchrone, elle sera complétée au fur et à mesure de son avancement.

Preprocess

Pour créer un « dataset », il faut au préalable avoir généré une « source » et avoir ensuite créé une tâche de preprocess.

POST https://prescience-api.ai.ovh.net/ml/preprocess/{source_id}

Paramètres Type In Requis Défaut Signification Exemple
source_id String Query Oui Nom de la source à parser ma-source
dataset_id String Body JSON Oui Nom du futur dataset mon-gros-dataset
label_id String Body JSON Oui Identifiant de la colonne du dataset à labelliser mon-label
nb_fold String Body JSON Non 10 Nombre de folds à créer pendant le parsing 6
problem_type String Body JSON Oui Type du problème de machine learning (classification/regression) regression
selected_columns String[] Body JSON Non [] Choix des colonnes pour le dataset. Par défaut, l'ensemble des colonnes sont selectionnées ["colonne_1", "colonne_2"]

Exemple :

  • fichier preprocess.json
{
    "dataset_id": "mon-dataset",
    "label_id": "mon-label",
    "problem_type": "classification"
}

curl -H "Authorization: Bearer ${TOKEN}" \
     -H "Content-Type:application/json" \
     -X POST https://prescience-api.ai.ovh.net/ml/preprocess/ma-source \
     --data-binary "@preprocess.json"

Le dataset renvoyé dans la réponse est incomplet. En effet, la tâche étant asynchrone, elle sera complétée au fur et à mesure de son avancement.

Optimisation

Une fois le « dataset » créé, il est possible de commencer à l'optimiser. POST https://prescience-api.ai.ovh.net/ml/optimize/{dataset_id}

Paramètres Type In Requis Défaut Signification Exemple
dataset_id String Query Oui Nom du dataset à optimiser mon-gros-dataset
scoring_metric String Body JSON Oui Métrique d'optimisation (Régression : mae/mse / R2, Classification : accuracy, f1, roc_auc) ma-source
budget Integer Body JSON 6 Budget alloué à l'optimisation 10

Exemple : - fichier optimize.json

{
    "scoring_metric": "roc_auc",
    "budget": 6
}

curl -H "Authorization: Bearer ${TOKEN}" \
     -H "Content-Type:application/json" \
     -X POST https://prescience-api.ai.ovh.net/ml/optimize/mon-gros-dataset \
     --data-binary "@optiumize.json"

La tâche d'optimisation renvoie un objet intitulé « Optimisation ». Une fois l'optimisation terminée, il sera possible de lancer une requête sur les objets « Evaluation-Result » pour obtenir la meilleure configuration possible.

Evaluation Result

L'objet « Evaluation-Result » est le résultat d'une tâche d'optimisation. Lors de l'appel API, l'objet retourné contiendra les éléments suivants :

Champ Description Type
uuid Unique uuid de l'évaluation Integer
spent_time Temps passé à évaluer la configuration Integer
costs Dictonnaire contenant les métriques associées à la configuration Dict{}
config Configuration testée Config
status Statut du dataset Status
last_update Date de la dernière mise à jour Timestamp
created_at Date de création Timestamp
total_step Nombre total d'étapes du processus d'optimisation Integer
current_step Étape courante du processus d'optimisation Integer
current_step_description Description de l'étape courante du processus d'optimisation String
  • Liste des évaluations :

GET https://prescience-api.ai.ovh.net/evaluation-result

Paramètres Type In Requis Défaut Signification Exemple
Dataset_id String Query Oui Filtrage des évaluations sur le dataset mon-gros-dataset
Page Integer Query Non 1 Numéro de la page souhaitée 2
Size Integer Query Non 100 Nombre d'éléments souhaités par page 50
Sort_column String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
Sort_direction String Query Non created_at Champ selon lequel les résultats sont ordonnés source_id
Status String Query Non Filtre les données selon le statut BUILT

Entraînement

Après avoir choisi la meilleure configuration dans la liste des « Evaluation-Result » nous pouvons entraîner un modèle :

POST https://jedison.ai.ovh.net/ml/train

Paramètres Type In Requis Défaut Signification Exemple
model_id String Query Oui Nom du futur modèle mon-model
evaluation_uuid String Query Oui Identifiant de l'« Evaluation-Result » bcaef619-4bf3-4c15-b49f-bc325f98d891
dataset_id String Query Non dataset_id lié à l'« Evaluation-Result » À renseigner pour entraîner sur un dataset différent de celui de l'« Evaluation-Result » mon-dataset-alternatif

Exemple :

curl -H "Authorization: Bearer ${TOKEN}" \
     -H "Content-Type:application/json" \
     -X POST https://prescience-api.ai.ovh.net/ml/train/?model_id=mon-model&evaluation_uuid=bcaef619-4bf3-4c15-b49f-bc325f98d891 \

La tâche d'entraînement renvoie un objet modèle incomplet. En effet, la tâche étant asynchrone, elle sera complétée au fur et à mesure de son avancement.

OVH Prescience Serving API

Description d'un modèle

Une fois qu'un modèle est entraîné, il est possible de l'utiliser pour réaliser des inférences.

Les deux API ont un objet « modèle » ne possédant pas la même structure. Seul l'identifiant model_id est commun.

  • Description d'un modèle :

POST https://prescience-serving.ai.ovh.net/model/{model_id}

L'objet retourné décrit l'objet « modèle » selon Prescience Serving.

Exemple de résultat :

{
    "id": "model",
    "properties": {
        "created.timestamp": 1537170170985,
        "accessed.timestamp": null,
        "file.size": 3737,
        "file.md5sum": "a13e6e482bb2e62d1376b502f8cbc8a2"
    },
    "schema": {
        "argumentsFields": [{
            "id": "hours-per-week",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "capital-gain",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "education-num",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "age",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "fnlwgt",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "capital-loss",
            "dataType": "integer",
            "opType": "ordinal"
        }],
        "transformFields": [{
            "id": "imputed_hours-per-week",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "imputed_capital-gain",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "imputed_education-num",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "imputed_age",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "imputed_fnlwgt",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "imputed_capital-loss",
            "dataType": "integer",
            "opType": "ordinal"
        }, {
            "id": "scaled_imputed_hours-per-week",
            "dataType": "double",
            "opType": "continuous"
        }, {
            "id": "scaled_imputed_capital-gain",
            "dataType": "double",
            "opType": "continuous"
        }, {
            "id": "scaled_imputed_education-num",
            "dataType": "double",
            "opType": "continuous"
        }, {
            "id": "scaled_imputed_age",
            "dataType": "double",
            "opType": "continuous"
        }, {
            "id": "scaled_imputed_fnlwgt",
            "dataType": "double",
            "opType": "continuous"
        }, {
            "id": "scaled_imputed_capital-loss",
            "dataType": "double",
            "opType": "continuous"
        }]
    }
}

Évaluation d'un modèle

Lors de l'étape de preprocessing, une transformation des données est effectuée. Le modèle se basant sur la sortie de cette transformation, il est impératif de transformer la donnée avant d'utiliser le modèle. Prescience Serving fournit des méthodes permettant d'effectuer à la fois cette transformation et l'inférence.

La plateforme de serving permet d'effectuer : - la transformation et l'évaluation ; - l'évaluation uniquement ; - la transformation uniquement.

Méthode URL Description
POST https://prescience-serving.ai.ovh.net/eval/ Inférence unitaire
POST https://prescience-serving.ai.ovh.net/eval/ Inférence par lot depuis un fichier CSV
POST https://prescience-serving.ai.ovh.net/eval/ Inférence par lot depuis un tableau JSON
POST https://prescience-serving.ai.ovh.net/eval/ Transformation unitaire
POST https://prescience-serving.ai.ovh.net/eval/ Transformation par lot depuis un fichier CSV
POST https://prescience-serving.ai.ovh.net/eval/ Transformation par lot depuis un tableau JSON
POST https://prescience-serving.ai.ovh.net/eval/ Transformation associée au modèle et inférence unitaire.
POST https://prescience-serving.ai.ovh.net/eval/ Transformation associée au modèle et inférence par lot depuis un fichier CSV
POST https://prescience-serving.ai.ovh.net/eval/ Transformation associée au modèle et inférence par lot depuis un tableau JSON
Paramètres Type In Requis Défaut Signification
id String JSON Non ID de la requête
arguments Dict JSON Oui Arguments de la requête
  • Exemple d'une inférence unitaire :

Fichier exemple.json:

{
    "arguments": {
        "hours-per-week": 1,
        "capital-gain": 1,
        "education-num": 1,
        "age": 1,
        "fnlwgt": 1,
        "capital-loss": 1
    }
}

Requête

curl -H "Authorization: Bearer ${TOKEN}" \
     -H "Content-Type:application/json" \
     -X POST https://prescience-serving.ai.ovh.net/eval/mon-model/transform-model \
     --data-binary "@exemple.json"
  • Exemple de l'évaluation d'un batch JSON :

Fichier exemple.json :

[
    {
        "id": "eval-1",
        "arguments": {
            "hours-per-week": 1,
            "capital-gain": 1,
            "education-num": 1,
            "age": 1,
            "fnlwgt": 1,
            "capital-loss": 1
        }
    },
    {
        "id": "eval-2",
        "arguments": {
            "hours-per-week": 1,
            "capital-gain": 1,
            "education-num": 1,
            "age": 1,
            "fnlwgt": 1,
            "capital-loss": 1
        }
    }
]

Requête

curl -H "Authorization: Bearer ${TOKEN}" \
     -H "Content-Type:application/json" \
     -X POST https://prescience-serving.ai.ovh.net/eval/mon-model/transform-model/batch/json \
     --data-binary "@exemple.json"

Aller plus loin

Échangez avec notre communauté d'utilisateurs sur https://community.ovh.com/.

Cet article vous a-t-il été utile ?

Génial ! Ravi d'avoir pu vous aider.

Pourquoi n'êtes-vous pas satisfait ?

Merci votre avis a été pris en compte.

Ces guides pourraient également vous intéresser...

Prescience
Premiers pas avec OVH Prescience