Monitoree el aprendizaje automático de Azure con Watson OpenScale

Resumen

Este patrón de código usa un conjunto de datos de crédito alemán para crear un modelo de regresión logística con Azure. El patrón usa Watson OpenScale para vincular el modelo de aprendizaje automático implementado en la nube de Azure, crear una suscripción y realizar un registro de carga útil y comentarios.

Descripción

Con Watson OpenScale, puede monitorear la calidad del modelo y registrar las cargas útiles, independientemente de dónde esté alojado el modelo. Este patrón de código utiliza un ejemplo de un modelo de Azure, que demuestra la naturaleza independiente y abierta de Watson OpenScale. IBM Watson OpenScale es un entorno abierto que permite a las organizaciones automatizar y operacionalizar su IA. Proporciona una plataforma poderosa para administrar modelos de inteligencia artificial y aprendizaje automático en la nube de IBM o donde sea que se implementen y ofrece estos beneficios:

Abierto por diseño: Watson OpenScale permite el monitoreo y la gestión del aprendizaje automático y los modelos de aprendizaje profundo construidos utilizando cualquier marco o IDE e implementados en cualquier motor de alojamiento de modelos.

Impulse resultados más justos: Watson OpenScale detecta y ayuda a mitigar los sesgos del modelo para resaltar los problemas de equidad. La plataforma proporciona una explicación en texto simple de los rangos de datos que se han visto afectados por el sesgo en el modelo y las visualizaciones que ayudan a los científicos de datos y usuarios comerciales a comprender el impacto en los resultados comerciales. A medida que se detectan los sesgos, Watson OpenScale crea automáticamente un modelo complementario sin sesgos que se ejecuta junto al modelo implementado, lo que permite obtener una vista previa de los resultados más justos esperados para los usuarios sin reemplazar el original.

Explicar las transacciones: Watson OpenScale ayuda a las empresas a aportar transparencia y auditabilidad a las aplicaciones infundidas por IA generando explicaciones para las transacciones individuales que se puntúan, incluidos los atributos que se usaron para hacer la predicción y el peso de cada atributo.

Cuando haya completado este patrón de código, comprenderá cómo:

• Prepare datos, entrene un modelo e implemente usando Azure
• Califique el modelo utilizando registros de puntuación de muestra y el punto final de puntuación
• Configurar un centro de datos de Watson OpenScale
• Enlace el modelo de Azure al mercado de datos de Watson OpenScale
• Agregar suscripciones al data mart
• Habilite el registro de la carga útil y la supervisión del rendimiento de ambos activos suscritos
• Use data mart para acceder a los datos de las tablas mediante suscripción

Flujo

1. El desarrollador crea un Jupyter Notebook utilizando datos del credit_risk_training.csv archivo.
2. El Jupyter Notebook está conectado a una base de datos PostgreSQL que almacena los datos de Watson OpenScale.
3. Se crea un modelo de aprendizaje automático con Azure Machine Learning Studio y se implementa en la nube.
4. La computadora portátil utiliza Watson OpenScale para registrar la carga útil y monitorear el rendimiento.

Instrucciones

Encuentre los pasos detallados para este patrón en el archivo readme. Los pasos le mostrarán cómo:

1. Clonar el repositorio.
2. Cree un servicio Watson OpenScale.
3. Cree un modelo en Azure Machine Learning Studio.
4. Ejecute el cuaderno.