---

Alibi Detect è una libreria Python con sorgente disponibile, focalizzata sulla rilevazione di outlier, adversarial e drift. Il pacchetto mira a coprire rilevatori sia online che offline per dati tabellari, testo, immagini e serie temporali. Sia i backend TensorFlow che PyTorch sono supportati per la rilevazione del drift.

• Documentazione

Per maggiori informazioni sull'importanza del monitoraggio di outlier e distribuzioni in un contesto di produzione, dai un'occhiata a questo talk del workshop Challenges in Deploying and Monitoring Machine Learning Systems ICML 2020, basato sull'articolo Monitoring and explainability of models in production e che fa riferimento ad Alibi Detect.

Per un'introduzione approfondita alla rilevazione del drift, guarda Protecting Your Machine Learning Against Drift: An Introduction. Il talk spiega cos'è il drift, perché conviene rilevarlo, i diversi tipi di drift, come può essere rilevato in modo rigoroso e descrive anche l'anatomia di un rilevatore di drift.

Indice

• Installazione e Utilizzo
  • Con pip
  • Con conda
  • Utilizzo
• Algoritmi Supportati
  • Rilevazione di Outlier
  • Rilevazione Adversarial
  • Rilevazione del Drift
    • Supporto per TensorFlow e PyTorch
    • Passaggi di preprocessing integrati
  • Elenco di Riferimento
    • Rilevazione di Outlier
    • Rilevazione Adversarial
    • Rilevazione del Drift
• Dataset
  • Dati Sequenziali e Serie Temporali
  • Immagini
  • Tabellari
• Modelli
• Integrazioni
• Citazioni

Installazione e Utilizzo

Il pacchetto alibi-detect può essere installato da:

• PyPI o sorgente GitHub (con pip)
• Anaconda (con conda/mamba)

Con pip

• alibi-detect può essere installato da PyPI: ```bash pip install alibi-detect

• In alternativa, è possibile installare la versione di sviluppo: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git

• Per installare con il backend TensorFlow: ```bash pip install alibi-detect[tensorflow]

• Per installare con il backend PyTorch: ```bash pip install alibi-detect[torch]

• Per installare con il backend KeOps: ```bash pip install alibi-detect[keops]

• Per utilizzare il rilevatore di outlier per serie temporali Prophet: ```bash pip install alibi-detect[prophet]

Con conda

Per installare da conda-forge è consigliato usare mamba, che può essere installato nell'ambiente conda base con:```bash conda install mamba -n base -c conda-forge

Per installare alibi-detect:```bash
mamba install -c conda-forge alibi-detect

Usage

Useremo il rilevatore di anomalie VAE per illustrare 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)

Le previsioni vengono restituite in un dizionario con come chiavi `meta` e `data`. `meta` contiene i metadati del rilevatore mentre `data` è a sua volta un dizionario con le previsioni effettive. Include i punteggi e le soglie per outlier, adversarial o drift, nonché le previsioni relative a se le istanze sono, ad esempio, outlier o meno. I dettagli esatti possono variare leggermente da un metodo all'altro, per cui invitiamo il lettore a familiarizzare con i [tipi di algoritmi supportati](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html).

## Algoritmi supportati

Le seguenti tabelle mostrano i casi d'uso consigliati per ciascun algoritmo. La colonna *Livello della feature* indica se il rilevamento può essere effettuato a livello di feature, ad esempio per pixel per un'immagine. Consulta l'[elenco di riferimento degli algoritmi](#reference-list) per ulteriori informazioni con collegamenti alla documentazione e agli articoli originali, nonché esempi per ciascuno dei rilevatori.

### Rilevamento di outlier