Παρακολουθήστε τη μηχανική εκμάθηση Sagemaker με το Watson OpenScale

Χαρακτηριστικά

Αυτό το μοτίβο κώδικα περιγράφει έναν τρόπο απόκτησης πληροφοριών χρησιμοποιώντας το Watson OpenScale και ένα μοντέλο μηχανικής εκμάθησης SageMaker. Εξηγεί πώς να δημιουργήσετε ένα μοντέλο λογιστικής παλινδρόμησης χρησιμοποιώντας το Amazon SageMaker με δεδομένα από το Βάση δεδομένων μηχανικής εκμάθησης UC Irvine. Το μοτίβο χρησιμοποιεί το Watson OpenScale για να συνδέσει το μοντέλο μηχανικής εκμάθησης που έχει αναπτυχθεί στο σύννεφο AWS, να δημιουργήσει μια συνδρομή και να εκτελέσει καταγραφή ωφέλιμου φορτίου και ανάδρασης.

Περιγραφή

Με το Watson OpenScale, μπορείτε να παρακολουθείτε την ποιότητα του μοντέλου και να καταγράφετε ωφέλιμα φορτία, ανεξάρτητα από το πού φιλοξενείται το μοντέλο. Αυτό το μοτίβο κώδικα χρησιμοποιεί το παράδειγμα ενός μοντέλου SageMaker της υπηρεσίας Web της Amazon (AWS), το οποίο καταδεικνύει την ανεξάρτητη και ανοιχτή φύση του Watson OpenScale. Το IBM Watson OpenScale είναι ένα ανοιχτό περιβάλλον που επιτρέπει στους οργανισμούς να αυτοματοποιήσουν και να λειτουργήσουν το AI τους. Το OpenScale παρέχει μια ισχυρή πλατφόρμα για τη διαχείριση μοντέλων τεχνητής νοημοσύνης και μηχανικής εκμάθησης στο IBM Cloud ή οπουδήποτε μπορεί να αναπτυχθούν και προσφέρει τα εξής πλεονεκτήματα:

Open by design: Το Watson OpenScale επιτρέπει την παρακολούθηση και τη διαχείριση μοντέλων μηχανικής μάθησης και βαθιάς μάθησης που έχουν κατασκευαστεί χρησιμοποιώντας οποιοδήποτε πλαίσιο ή IDE και αναπτύσσονται σε οποιαδήποτε μηχανή φιλοξενίας μοντέλων.

Οδηγήστε πιο δίκαια αποτελέσματα: Το Watson OpenScale εντοπίζει και βοηθά στον μετριασμό των προκαταλήψεων του μοντέλου για να επισημάνετε τα θέματα δικαιοσύνης Η πλατφόρμα παρέχει εξήγηση απλού κειμένου για τα εύρη δεδομένων που έχουν επηρεαστεί από προκατάληψη στο μοντέλο και οπτικοποιήσεις που βοηθούν τους επιστήμονες δεδομένων και τους επιχειρηματικούς χρήστες να κατανοήσουν τον αντίκτυπο στα επιχειρηματικά αποτελέσματα. Καθώς εντοπίζονται προκαταλήψεις, το Watson OpenScale δημιουργεί αυτόματα ένα σύνθετο μοντέλο με προκατάληψη που τρέχει δίπλα στο αναπτυσσόμενο μοντέλο, προεπισκόπηση των αναμενόμενων πιο δίκαιων αποτελεσμάτων στους χρήστες χωρίς αντικατάσταση του αρχικού.

Εξηγήστε τις συναλλαγές: Το Watson OpenScale βοηθά τις επιχειρήσεις να φέρουν διαφάνεια και δυνατότητα ελέγχου σε εφαρμογές που έχουν τεθεί σε AI, δημιουργώντας εξηγήσεις για μεμονωμένες συναλλαγές που βαθμολογούνται, συμπεριλαμβανομένων των χαρακτηριστικών που χρησιμοποιήθηκαν για την πρόβλεψη και τη στάθμιση κάθε χαρακτηριστικού.

Αυτοματοποιήστε τη δημιουργία AI: Το Neural Network Synthesis (NeuNetS), που διατίθεται επί του παρόντος ως beta, συνθέτει νευρωνικά δίκτυα αρχιτεκτονώντας βασικά ένα προσαρμοσμένο σχέδιο για ένα δεδομένο σύνολο δεδομένων. Στην έκδοση beta, το NeuNetS υποστηρίζει μοντέλα ταξινόμησης εικόνων και κειμένου. Το NeuNetS μειώνει τον χρόνο και μειώνει το εμπόδιο δεξιοτήτων που απαιτείται για το σχεδιασμό και την εκπαίδευση προσαρμοσμένων νευρωνικών δικτύων, θέτοντας έτσι τα νευρωνικά δίκτυα στην προσιτότητα των ειδικών μη τεχνικών θεμάτων, καθώς και κάνοντας τους επιστήμονες δεδομένων πιο παραγωγικούς.

Όταν ολοκληρώσετε αυτό το μοτίβο κώδικα, θα καταλάβετε πώς:

• Προετοιμάστε δεδομένα, εκπαιδεύστε ένα μοντέλο και αναπτύξτε χρησιμοποιώντας το AWS SageMaker
• Βαθμολογήστε το μοντέλο χρησιμοποιώντας δείγματα βαθμολογίας και το τελικό σημείο βαθμολογίας
• Ρυθμίστε ένα Watson OpenScale data mart
• Συνδέστε το μοντέλο SageMaker με το Watson OpenScale data mart
• Προσθέστε συνδρομές στο data mart
• Ενεργοποίηση καταγραφής ωφέλιμου φορτίου και παρακολούθησης απόδοσης και για τα δύο εγγεγραμμένα στοιχεία
• Χρησιμοποιήστε το data mart για πρόσβαση σε δεδομένα πινάκων μέσω συνδρομής

Ροή

1. Ο προγραμματιστής δημιουργεί ένα σημειωματάριο Jupyter χρησιμοποιώντας δεδομένα από το Βάση δεδομένων μηχανικής εκμάθησης UCI.
2. Το Jupyter Notebook είναι συνδεδεμένο σε μια βάση δεδομένων PostgreSQL που αποθηκεύει τα δεδομένα του Watson OpenScale.
3. Ένα μοντέλο μηχανικής εκμάθησης δημιουργείται χρησιμοποιώντας το AWS SageMaker και αναπτύσσεται στο cloud.
4. Το Watson Open Scale χρησιμοποιείται από το notebook για την καταγραφή του ωφέλιμου φορτίου και την παρακολούθηση της απόδοσης.

Οδηγίες

Βρείτε τα λεπτομερή βήματα για αυτό το μοτίβο στο readme αρχείο. Τα βήματα σας δείχνουν πώς να:

1. Κλωνοποιήστε το αποθετήριο.
2. Δημιουργία βάσης δεδομένων για σύνταξη PostgreSQL.
3. Δημιουργήστε μια υπηρεσία Watson OpenScale.
4. Εκτελέστε τα σημειωματάρια.