Überwachen Sie das maschinelle Lernen in Azure mit Watson OpenScale

Zusammenfassung

Dieses Codemuster verwendet einen deutschen Kreditdatensatz, um mithilfe von Azure ein logistisches Regressionsmodell zu erstellen. Das Muster verwendet Watson OpenScale, um das in der Azure-Cloud bereitgestellte Modell für maschinelles Lernen zu binden, ein Abonnement zu erstellen und Nutzlast- und Feedbackprotokollierung durchzuführen.

Beschreibung

Mit Watson OpenScale können Sie die Modellqualität überwachen und Nutzlasten protokollieren, unabhängig davon, wo das Modell gehostet wird. Dieses Codemuster verwendet ein Beispiel eines Azure-Modells, das die unabhängige und offene Natur von Watson OpenScale demonstriert. IBM Watson OpenScale ist eine offene Umgebung, die es Unternehmen ermöglicht, ihre KI zu automatisieren und zu operationalisieren. Es bietet eine leistungsstarke Plattform für die Verwaltung von KI- und maschinellen Lernmodellen in der IBM Cloud oder wo auch immer sie bereitgestellt werden und bietet folgende Vorteile:

Offen durch Design: Watson OpenScale ermöglicht die Überwachung und Verwaltung von Modellen für maschinelles Lernen und Deep Learning, die unter Verwendung von Frameworks oder IDEs erstellt und auf einer beliebigen Modell-Hosting-Engine bereitgestellt werden.

Fairere Ergebnisse erzielen: Watson OpenScale erkennt und verringert Modellverzerrungen, um Fairnessprobleme hervorzuheben. Die Plattform bietet Klartext-Erläuterungen zu den Datenbereichen, die durch Verzerrungen im Modell beeinflusst wurden, sowie Visualisierungen, die Datenwissenschaftlern und Geschäftsbenutzern helfen, die Auswirkungen auf die Geschäftsergebnisse zu verstehen. Sobald Verzerrungen erkannt werden, erstellt Watson OpenScale automatisch ein verzerrtes Begleitmodell, das neben dem bereitgestellten Modell ausgeführt wird, und zeigt den Benutzern eine Vorschau der erwarteten faireren Ergebnisse an, ohne das Original zu ersetzen.

Erläutern von Transaktionen: Watson OpenScale hilft Unternehmen dabei, AI-infundierten Anwendungen Transparenz und Überprüfbarkeit zu verleihen, indem Erklärungen für einzelne zu bewertende Transaktionen generiert werden, einschließlich der Attribute, die zur Vorhersage und Gewichtung der einzelnen Attribute verwendet wurden.

Wenn Sie dieses Codemuster abgeschlossen haben, wissen Sie, wie Sie:

• Bereiten Sie Daten vor, trainieren Sie ein Modell und stellen Sie es mithilfe von Azure bereit
• Bewerten Sie das Modell anhand von Beispiel-Bewertungsdatensätzen und des Bewertungsendpunkts
• Richten Sie einen Watson OpenScale-Datamart ein
• Binden Sie das Azure-Modell an den Watson OpenScale Data Mart
• Fügen Sie dem Data Mart Abonnements hinzu
• Aktivieren Sie die Nutzlastprotokollierung und Leistungsüberwachung für beide abonnierten Assets
• Verwenden Sie Data Mart, um über ein Abonnement auf Tabellendaten zuzugreifen

Flow

1. Der Entwickler erstellt ein Jupyter Notebook mit Daten aus dem credit_risk_training.csv Datei.
2. Das Jupyter Notebook ist mit einer PostgreSQL-Datenbank verbunden, in der die Watson OpenScale-Daten gespeichert sind.
3. Mit Azure Machine Learning Studio wird ein Modell für maschinelles Lernen erstellt und in der Cloud bereitgestellt.
4. Watson OpenScale wird vom Notebook zum Protokollieren der Nutzlast und zum Überwachen der Leistung verwendet.

Anweisungen

Die detaillierten Schritte für dieses Muster finden Sie in der Readme-Datei. Die Schritte zeigen Ihnen, wie Sie:

1. Klonen Sie das Repository.
2. Erstellen Sie einen Watson OpenScale-Dienst.
3. Erstellen Sie ein Modell in Azure Machine Learning Studio.
4. Führen Sie das Notizbuch aus.