Alibi Detect Logo

Alibi Detect एक स्रोत-उपलब्ध Python लाइब्रेरी है जो outlier, adversarial और drift डिटेक्शन पर केंद्रित है। पैकेज का उद्देश्य तालिकीय डेटा, पाठ, छवियों और समय श्रृंखला के लिए ऑनलाइन और ऑफ़लाइन दोनों डिटेक्टरों को शामिल करना है। Drift डिटेक्शन के लिए TensorFlow और PyTorch दोनों बैकएंड समर्थित हैं।

दस्तावेज़

प्रोडक्शन सेटिंग में outliers और distributions की निगरानी के महत्व के बारे में अधिक जानकारी के लिए, ICML 2020 कार्यशाला के Challenges in Deploying and Monitoring Machine Learning Systems में दिया गया यह टॉक देखें, जो पेपर Monitoring and explainability of models in production पर आधारित है और Alibi Detect का उल्लेख करता है।

Drift डिटेक्शन के संपूर्ण परिचय के लिए, Protecting Your Machine Learning Against Drift: An Introduction देखें। यह टॉक बताता है कि drift क्या है और इसे पहचानना क्यों फायदेमंद है, drift के विभिन्न प्रकार, इसे सैद्धांतिक रूप से कैसे पहचाना जा सकता है, और एक drift डिटेक्टर की संरचना का भी वर्णन करता है।

स्थापना और उपयोग

alibi-detect पैकेज निम्न से स्थापित किया जा सकता है:

PyPI या GitHub स्रोत (pip के साथ)
Anaconda (conda/mamba के साथ)

pip के साथ

alibi-detect को PyPI से स्थापित किया जा सकता है: ```bash pip install alibi-detect
वैकल्पिक रूप से, विकास संस्करण स्थापित किया जा सकता है: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git
TensorFlow बैकेंड के साथ इंस्टॉल करने के लिए: ```bash pip install alibi-detect[tensorflow]
PyTorch बैकएंड के साथ इंस्टॉल करने के लिए: ```bash pip install alibi-detect[torch]
KeOps बैकएंड के साथ इंस्टॉल करने के लिए: ```bash pip install alibi-detect[keops]
Prophet टाइम सीरीज़ आउटलायर डिटेक्टर का उपयोग करने के लिए: ```bash pip install alibi-detect[prophet]

conda के साथ

conda-forge से इंस्टॉल करने के लिए mamba उपयोग करने की अनुशंसा की जाती है, जिसे base conda वातावरण में इंस्टॉल किया जा सकता है:```bash conda install mamba -n base -c conda-forge

alibi-detect इंस्टॉल करने के लिए:```bash
mamba install -c conda-forge alibi-detect

उपयोग

हम API को समझाने के लिए VAE outlier detector का उपयोग करेंगे।```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)

भविष्यवाणियाँ `meta` और `data` कुंजियों के रूप में एक डिक्शनरी में लौटाई जाती हैं। `meta` में डिटेक्टर का मेटाडेटा होता है, जबकि `data` स्वयं वास्तविक भविष्यवाणियों वाला एक डिक्शनरी है। इसमें आउटलायर, एडवरसारियल या ड्रिफ्ट स्कोर और थ्रेशोल्ड के साथ-साथ यह भविष्यवाणियाँ भी शामिल होती हैं कि इंस्टेंस उदाहरण के लिए आउटलायर हैं या नहीं। सटीक विवरण विधि से विधि में थोड़ा भिन्न हो सकते हैं, इसलिए हम पाठकों को [समर्थित एल्गोरिदम के प्रकारों](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html) से परिचित होने के लिए प्रोत्साहित करते हैं।

## समर्थित एल्गोरिदम

निम्न तालिकाएँ प्रत्येक एल्गोरिदम के लिए सुझाए गए उपयोग के मामलों को दर्शाती हैं। कॉलम *फीचर स्तर* यह दर्शाता है कि क्या पता लगाना फीचर स्तर पर किया जा सकता है, जैसे किसी इमेज के लिए प्रति पिक्सेल। प्रत्येक डिटेक्टर के लिए दस्तावेज़ीकरण और मूल शोधपत्रों के लिंक के साथ-साथ उदाहरणों सहित अधिक जानकारी के लिए [एल्गोरिदम संदर्भ सूची](#reference-list) देखें।

### आउटलायर डिटेक्शन

alibi-detect

सबसे लोकप्रिय