Überwachen Sie das maschinelle Lernen von Sagemaker mit Watson OpenScale

Zusammenfassung

Dieses Codemuster beschreibt eine Möglichkeit, Erkenntnisse mithilfe von Watson OpenScale und einem SageMaker-Modell für maschinelles Lernen zu gewinnen. Es erklärt, wie Sie mit Amazon SageMaker ein logistisches Regressionsmodell mit Daten aus dem UC Irvine Datenbank für maschinelles Lernen. Das Muster verwendet Watson OpenScale, um das in der AWS-Cloud bereitgestellte Machine-Learning-Modell zu binden, ein Abonnement zu erstellen und Nutzlast- und Feedback-Protokollierung durchzuführen.

Beschreibung

Mit Watson OpenScale können Sie die Modellqualität überwachen und Nutzlasten protokollieren, unabhängig davon, wo das Modell gehostet wird. Dieses Codemuster verwendet das Beispiel eines Amazon Web Service (AWS) SageMaker-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. OpenScale bietet eine leistungsstarke Plattform für die Verwaltung von KI- und Machine-Learning-Modellen in der IBM Cloud oder wo immer sie eingesetzt werden könnten, 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.

Automatisieren Sie die Erstellung von KI: Neural Network Synthesis (NeuNetS), derzeit als Beta verfügbar, synthetisiert neuronale Netze, indem es grundlegend ein benutzerdefiniertes Design für einen bestimmten Datensatz entwickelt. In der Beta unterstützt NeuNetS Bild- und Textklassifikationsmodelle. NeuNetS reduziert den Zeitaufwand und die Qualifikationsbarriere, die für das Entwerfen und Trainieren benutzerdefinierter neuronaler Netze erforderlich sind, wodurch neuronale Netze für nicht-technische Fachexperten zugänglich sind und Datenwissenschaftler produktiver werden.

Wenn Sie dieses Codemuster ausgefüllt haben, werden Sie Folgendes verstehen:

• Vorbereiten von Daten, Trainieren eines Modells und Bereitstellung mit AWS SageMaker
• Bewerten Sie das Modell anhand von Beispiel-Bewertungsdatensätzen und des Bewertungsendpunkts
• Richten Sie einen Watson OpenScale-Datamart ein
• Binden Sie das SageMaker-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 UCI-Datenbank für maschinelles Lernen.
2. Das Jupyter Notebook ist mit einer PostgreSQL-Datenbank verbunden, in der die Watson OpenScale-Daten gespeichert sind.
3. Mit AWS SageMaker wird ein Modell für maschinelles Lernen erstellt und in der Cloud bereitgestellt.
4. Watson Open Scale wird vom Notebook verwendet, um die Nutzlast zu protokollieren und die Leistung zu überwachen.

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 eine Compose for PostgreSQL-Datenbank.
3. Erstellen Sie einen Watson OpenScale-Dienst.
4. Führen Sie die Notizbücher aus.