---

Alibi Detect é uma biblioteca Python de código-fonte disponível focada na detecção de outliers, adversariais e drift. O pacote visa cobrir detectores online e offline para dados tabulares, texto, imagens e séries temporais. Ambos os backends TensorFlow e PyTorch são suportados para a detecção de drift.

• Documentação

Para mais contexto sobre a importância de monitorar outliers e distribuições em um ambiente de produção, confira esta palestra do workshop Challenges in Deploying and Monitoring Machine Learning Systems da ICML 2020, baseada no artigo Monitoring and explainability of models in production e referenciando o Alibi Detect.

Para uma introdução completa à detecção de drift, confira Protecting Your Machine Learning Against Drift: An Introduction. A palestra aborda o que é drift e por que vale a pena detectá-lo, os diferentes tipos de drift, como ele pode ser detectado de forma fundamentada e também descreve a anatomia de um detector de drift.

Índice

• Instalação e Uso
  • Com pip
  • Com conda
  • Uso
• Algoritmos Suportados
  • Detecção de Outliers
  • Detecção Adversarial
  • Detecção de Drift
    • Suporte a TensorFlow e PyTorch
    • Etapas de pré-processamento integradas
  • Lista de Referências
    • Detecção de Outliers
    • Detecção Adversarial
    • Detecção de Drift
• Conjuntos de Dados
  • Dados Sequenciais e Séries Temporais
  • Imagens
  • Tabulares
• Modelos
• Integrações
• Citações

Instalação e Uso

O pacote alibi-detect pode ser instalado a partir de:

• PyPI ou código-fonte do GitHub (com pip)
• Anaconda (com conda/mamba)

Com pip

• o alibi-detect pode ser instalado a partir do PyPI: ```bash pip install alibi-detect

• Alternativamente, a versão de desenvolvimento pode ser instalada: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git

• Para instalar com o backend TensorFlow: ```bash pip install alibi-detect[tensorflow]

• Para instalar com o backend PyTorch: ```bash pip install alibi-detect[torch]

• Para instalar com o backend KeOps: ```bash pip install alibi-detect[keops]

• Para usar o detector de outliers de séries temporais Prophet: ```bash pip install alibi-detect[prophet]

Com conda

Para instalar a partir do conda-forge, é recomendado usar o mamba, que pode ser instalado no ambiente base do conda com:```bash conda install mamba -n base -c conda-forge

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

Uso

Usaremos o detector de outliers VAE para ilustrar a 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)

As previsões são retornadas em um dicionário com as chaves `meta` e `data`. `meta` contém os metadados do detector, enquanto `data` é, por si só, um dicionário com as previsões reais. Ele contém os escores e limiares de outliers, adversariais ou de drift, bem como as previsões sobre se as instâncias são, por exemplo, outliers ou não. Os detalhes exatos podem variar ligeiramente de método para método, então incentivamos o leitor a se familiarizar com os [tipos de algoritmos suportados](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html).

## Algoritmos Suportados

As tabelas a seguir mostram os casos de uso recomendados para cada algoritmo. A coluna *Nível de Feature* indica se a detecção pode ser feita no nível de feature, por exemplo, por pixel em uma imagem. Consulte a [lista de referência de algoritmos](#reference-list) para mais informações com links para a documentação e artigos originais, bem como exemplos para cada um dos detectores.

### Detecção de Outliers