Supervise el aprendizaje automático de Sagemaker con Watson OpenScale

Resumen

Este patrón de código describe una forma de obtener información mediante Watson OpenScale y un modelo de aprendizaje automático de SageMaker. Explica cómo crear un modelo de regresión logística utilizando Amazon SageMaker con datos del Base de datos de aprendizaje automático de UC Irvine. El patrón utiliza Watson OpenScale para vincular el modelo de aprendizaje automático implementado en la nube de AWS, crear una suscripción y realizar la carga útil y el registro de comentarios.

Descripción

Con Watson OpenScale, puede supervisar la calidad del modelo y registrar las cargas útiles, independientemente de dónde esté alojado el modelo. Este patrón de código utiliza el ejemplo de un modelo SageMaker de Amazon Web Service (AWS), que demuestra la naturaleza independiente y abierta de Watson OpenScale. IBM Watson OpenScale es un entorno abierto que permite a las organizaciones automatizar y poner en funcionamiento su IA. OpenScale proporciona una plataforma poderosa para gestionar modelos de aprendizaje automático e inteligencia artificial en IBM Cloud o donde sea que se puedan implementar 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.

Automatice la creación de IA: Neural Network Synthesis (NeuNetS), actualmente disponible como versión beta, sintetiza redes neuronales fundamentalmente mediante la arquitectura de un diseño personalizado para un conjunto de datos determinado. En la versión beta, NeuNetS admite modelos de clasificación de imágenes y texto. NeuNetS reduce el tiempo y la barrera de habilidades requerida para diseñar y entrenar redes neuronales personalizadas, poniendo así las redes neuronales al alcance de expertos en la materia sin conocimientos técnicos, además de hacer que los científicos de datos sean más productivos.

Cuando haya completado este patrón de código, comprenderá cómo:

• Prepare datos, entrene un modelo e impleméntelo con AWS SageMaker
• Califique el modelo utilizando registros de puntuación de muestra y el punto final de puntuación
• Configurar un centro de datos de Watson OpenScale
• Vincular el modelo de SageMaker a la despensa 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 Base de datos de aprendizaje automático UCI.
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 AWS SageMaker y se implementa en la nube.
4. El portátil utiliza Watson Open Scale para registrar la carga útil y supervisar el rendimiento.

Instrucciones

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

1. Clonar el repositorio.
2. Crear una base de datos para componer PostgreSQL.
3. Cree un servicio Watson OpenScale.
4. Ejecute los cuadernos.