Logo Alibi Detect

Alibi Detect est une bibliothèque Python disponible en code source, axée sur la détection de points aberrants, d'exemples adverses et de dérive (drift). Le package vise à couvrir à la fois les détecteurs en ligne et hors ligne pour les données tabulaires, le texte, les images et les séries temporelles. Les backends TensorFlow et PyTorch sont tous deux pris en charge pour la détection de dérive.

Documentation

Pour plus de contexte sur l'importance de surveiller les points aberrants et les distributions dans un environnement de production, consultez cette présentation de l'atelier Challenges in Deploying and Monitoring Machine Learning Systems lors de l'ICML 2020, basée sur l'article Monitoring and explainability of models in production et faisant référence à Alibi Detect.

Pour une introduction approfondie à la détection de dérive, consultez Protecting Your Machine Learning Against Drift: An Introduction. La présentation couvre ce qu'est la dérive, pourquoi il est utile de la détecter, les différents types de dérive, comment la détecter de manière rigoureuse, et décrit également l'anatomie d'un détecteur de dérive.

Installation et utilisation

Le package alibi-detect peut être installé depuis :

PyPI ou les sources GitHub (avec pip)
Anaconda (avec conda/mamba)

Avec pip

alibi-detect peut être installé depuis PyPI : ```bash pip install alibi-detect
Alternativement, la version de développement peut être installée: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git
Pour installer avec le backend TensorFlow : ```bash pip install alibi-detect[tensorflow]
Pour installer avec le backend PyTorch: ```bash pip install alibi-detect[torch]
Pour installer avec le backend KeOps : ```bash pip install alibi-detect[keops]
Pour utiliser le détecteur d'anomalies de séries temporelles Prophet : ```bash pip install alibi-detect[prophet]

Avec conda

Pour installer depuis conda-forge, il est recommandé d’utiliser mamba, qui peut être installé dans l’environnement conda base avec :```bash conda install mamba -n base -c conda-forge

Pour installer alibi-detect:```bash
mamba install -c conda-forge alibi-detect

Usage

Nous utiliserons le détecteur d'anomalies VAE pour illustrer l'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)

Les prédictions sont renvoyées dans un dictionnaire dont les clés sont `meta` et `data`. `meta` contient les métadonnées du détecteur tandis que `data` est lui-même un dictionnaire contenant les prédictions réelles. Il contient les scores et seuils d'anomalies, d'attaques adverses ou de dérive, ainsi que les prédictions indiquant si les instances sont, par exemple, des anomalies ou non. Les détails exacts peuvent varier légèrement d'une méthode à l'autre, c'est pourquoi nous encourageons le lecteur à se familiariser avec les [types d'algorithmes pris en charge](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html).

## Algorithmes pris en charge

Les tableaux suivants présentent les cas d'utilisation recommandés pour chaque algorithme. La colonne *Niveau de caractéristique* indique si la détection peut être effectuée au niveau des caractéristiques, par exemple par pixel pour une image. Consultez la [liste de référence des algorithmes](#reference-list) pour plus d'informations, avec des liens vers la documentation et les articles originaux ainsi que des exemples pour chacun des détecteurs.

### Détection d'anomalies

alibi-detect

Populaires