Overvåg Sagemaker maskinlæring med Watson OpenScale

Resumé

Dette kodemønster beskriver en måde at få indsigt ved at bruge Watson OpenScale og en SageMaker-maskineindlæringsmodel. Det forklarer, hvordan man opretter en logistisk regressionsmodel ved hjælp af Amazon SageMaker med data fra UC Irvine maskinlæringsdatabase. Mønsteret bruger Watson OpenScale til at binde maskinlæringsmodellen implementeret i AWS-skyen, oprette et abonnement og udføre logning af nyttelast og feedback.

Beskrivelse

Med Watson OpenScale kan du overvåge modelkvalitet og logge nyttelast, uanset hvor modellen er hostet. Dette kodemønster bruger eksemplet med en Amazon Web Service (AWS) SageMaker-model, som demonstrerer Watson OpenScales uafhængige og åbne natur. IBM Watson OpenScale er et åbent miljø, der gør det muligt for organisationer at automatisere og operationalisere deres AI. OpenScale giver en kraftfuld platform til styring af AI- og maskinlæringsmodeller på IBM Cloud eller hvor end de måtte blive implementeret, og tilbyder disse fordele:

Åben ved design: Watson OpenScale tillader overvågning og styring af maskinlærings- og deep learning-modeller bygget ved hjælp af alle rammer eller IDE'er og implementeret på enhver model-hosting-motor.

Skab mere retfærdige resultater: Watson OpenScale registrerer og hjælper med at afbøde modelfordomme for at fremhæve retfærdighedsproblemer. Platformen giver almindelig tekstforklaring af de dataområder, der er blevet påvirket af bias i modellen og visualiseringer, der hjælper datavidenskabsfolk og forretningsbrugere med at forstå indvirkningen på forretningsresultater. Efterhånden som skævheder detekteres, opretter Watson OpenScale automatisk en de-biased companion-model, der kører ved siden af ​​den implementerede model, og derved forhåndsviser de forventede mere retfærdige resultater for brugerne uden at erstatte originalen.

Forklar transaktioner: Watson OpenScale hjælper virksomheder med at bringe gennemsigtighed og auditabilitet til AI-infunderede applikationer ved at generere forklaringer på individuelle transaktioner, der scores, herunder de egenskaber, der blev brugt til at forudsige og vægte hver egenskab.

Automatiser skabelsen af ​​AI: Neural Network Synthesis (NeuNetS), der i øjeblikket er tilgængelig som en beta, syntetiserer neurale netværk ved grundlæggende at bygge et tilpasset design til et givet datasæt. I betaversionen understøtter NeuNetS billed- og tekstklassificeringsmodeller. NeuNetS reducerer tiden og sænker den færdighedsbarriere, der kræves for at designe og træne tilpassede neurale netværk, og derved sætter neurale netværk inden for rækkevidde af ikke-tekniske emneeksperter, samt gør dataforskere mere produktive.

Når du har gennemført dette kodemønster, vil du forstå, hvordan du:

• Forbered data, træne en model og implementer ved hjælp af AWS SageMaker
• Score modellen ved hjælp af eksempler på scoringsposter og scoringsendepunktet
• Konfigurer en Watson OpenScale-datamart
• Bind SageMaker-modellen til Watson OpenScale-datamart
• Tilføj abonnementer til datamarkedet
• Aktiver logning af nyttelast og ydeevneovervågning for begge tilmeldte aktiver
• Brug datamart til at få adgang til tabeldata via abonnement

Flow

1. Udvikleren opretter en Jupyter Notebook ved hjælp af data fra UCI maskinlæringsdatabase.
2. Jupyter Notebook er forbundet til en PostgreSQL-database, der gemmer Watson OpenScale-data.
3. En machine learning-model oprettes ved hjælp af AWS SageMaker og implementeres i skyen.
4. Watson Open Scale bruges af den bærbare computer til at logge nyttelasten og overvåge ydeevnen.

Instruktioner

Find de detaljerede trin til dette mønster i readme-fil. Trinene viser dig, hvordan du:

1. Klon depotet.
2. Opret en Compose for PostgreSQL-database.
3. Opret en Watson OpenScale-tjeneste.
4. Kør notesbøgerne.