---

Alibi Detect es una biblioteca de Python de código disponible centrada en la detección de outliers, adversarial y deriva. El paquete tiene como objetivo cubrir detectores tanto en línea como fuera de línea para datos tabulares, texto, imágenes y series temporales. Tanto los backends de TensorFlow como los de PyTorch son compatibles con la detección de deriva.

• Documentación

Para obtener más información sobre la importancia de monitorear valores atípicos y distribuciones en un entorno de producción, consulta esta charla del taller Challenges in Deploying and Monitoring Machine Learning Systems de ICML 2020, basada en el artículo Monitoring and explainability of models in production y que hace referencia a Alibi Detect.

Para una introducción exhaustiva a la detección de deriva, consulta Protecting Your Machine Learning Against Drift: An Introduction. La charla cubre qué es la deriva y por qué vale la pena detectarla, los diferentes tipos de deriva, cómo se puede detectar de manera fundamentada y también describe la anatomía de un detector de deriva.

Tabla de Contenidos

• Instalación y Uso
  • Con pip
  • Con conda
  • Uso
• Algoritmos Compatibles
  • Detección de Outliers
  • Detección Adversarial
  • Detección de Deriva
    • Soporte de TensorFlow y PyTorch
    • Pasos de preprocesamiento integrados
  • Lista de Referencias
    • Detección de Outliers
    • Detección Adversarial
    • Detección de Deriva
• Conjuntos de Datos
  • Datos Secuenciales y Series Temporales
  • Imágenes
  • Datos Tabulares
• Modelos
• Integraciones
• Citas

Instalación y Uso

El paquete alibi-detect se puede instalar desde:

• PyPI o el código fuente de GitHub (con pip)
• Anaconda (con conda/mamba)

Con pip

• alibi-detect se puede instalar desde PyPI: ```bash pip install alibi-detect

• Alternativamente, se puede instalar la versión de desarrollo: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git

• Para instalar con el backend de TensorFlow: ```bash pip install alibi-detect[tensorflow]

• Para instalar con el backend de PyTorch: ```bash pip install alibi-detect[torch]

• Para instalar con el backend de KeOps: ```bash pip install alibi-detect[keops]

• Para usar el detector de valores atípicos de series temporales Prophet: ```bash pip install alibi-detect[prophet]

Con conda

Para instalar desde conda-forge se recomienda usar mamba, que se puede instalar en el entorno base de conda con:```bash conda install mamba -n base -c conda-forge

Para instalar alibi-detect:```bash
mamba install -c conda-forge alibi-detect

Uso

Usaremos el detector de valores atípicos VAE para ilustrar la API.```python from alibi_detect.od import OutlierVAE from alibi_detect.saving import save_detector, load_detector

initialize and fit detector

od = OutlierVAE(threshold=0.1, encoder_net=encoder_net, decoder_net=decoder_net, latent_dim=1024) od.fit(x_train)

make predictions

preds = od.predict(x_test)

save and load detectors

filepath = './my_detector/' save_detector(od, filepath) od = load_detector(filepath)

Las predicciones se devuelven en un diccionario con las claves `meta` y `data`. `meta` contiene los metadatos del detector, mientras que `data` es en sí mismo un diccionario con las predicciones reales. Contiene las puntuaciones y umbrales de outliers, adversariales o deriva, así como las predicciones de si las instancias son, por ejemplo, outliers o no. Los detalles exactos pueden variar ligeramente de un método a otro, por lo que recomendamos al lector familiarizarse con los [tipos de algoritmos compatibles](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html).

## Algoritmos Compatibles

Las siguientes tablas muestran los casos de uso recomendados para cada algoritmo. La columna *Nivel de característica* indica si la detección puede realizarse a nivel de característica, por ejemplo, por píxel en una imagen. Consulta la [lista de referencia de algoritmos](#reference-list) para obtener más información con enlaces a la documentación y los artículos originales, así como ejemplos para cada uno de los detectores.

### Detección de Outliers