Jälgige Sagemakeri masinõpet Watson OpenScale'iga

kokkuvõte

See koodimuster kirjeldab Watson OpenScale'i ja SageMakeri masinõppemudeli abil ülevaate saamiseks. See selgitab, kuidas luua Amazon SageMakeri abil logistilise regressiooni mudelit koos andmetega UC Irvine'i masinõppe andmebaas. Muster kasutab Watson OpenScale'i AWS-i pilves juurutatud masinõppemudeli sidumiseks, tellimuse loomiseks ning kasuliku koormuse ja tagasiside logimiseks.

Kirjeldus

Watson OpenScale'iga saate jälgida mudeli kvaliteeti ja logida kasulikku koormust, olenemata mudeli hostimisest. See koodimuster kasutab Amazon Web Service'i (AWS) SageMakeri mudeli näidet, mis demonstreerib Watson OpenScale'i sõltumatut ja avatud olemust. IBM Watson OpenScale on avatud keskkond, mis võimaldab organisatsioonidel oma tehisintellekti automatiseerida ja kasutusele võtta. OpenScale pakub võimsat platvormi tehisintellekti ja masinõppe mudelite haldamiseks IBM Cloudis või kõikjal, kus neid võidakse juurutada, ja pakub järgmisi eeliseid:

Disainiga avatud: Watson OpenScale võimaldab jälgida ja hallata masinõppe ja süvaõppe mudeleid, mis on loodud mis tahes raamistike või IDE-de abil ja mis on juurutatud mis tahes mudeli hostimismootoris.

Õiglasemate tulemuste saavutamine: Watson OpenScale tuvastab ja aitab leevendada mudeli kallutatust, et tuua esile õigluse probleemid. Platvorm pakub lihtteksti selgitusi andmevahemike kohta, mida mudeli kallutatus on mõjutanud, ja visualiseerimisi, mis aitavad andmeteadlastel ja ärikasutajatel mõista mõju äritulemustele. Eelarvamuste tuvastamisel loob Watson OpenScale automaatselt kallutatud kaasmudeli, mis töötab juurutatud mudeli kõrval, kuvades seeläbi kasutajate jaoks eeldatavate õiglasemate tulemuste eelvaate originaali asendamata.

Tehingute selgitamine: Watson OpenScale aitab ettevõtetel tuua tehisintellektiga infundeeritud rakendustesse läbipaistvust ja auditeeritavust, luues selgitusi hinnatavate üksikute tehingute kohta, sealhulgas atribuudid, mida kasutati iga atribuudi ennustamiseks ja kaalumiseks.

Automatiseerige tehisintellekti loomine: praegu beetaversioonina saadaval olev närvivõrgu süntees (NeuNetS) sünteesib närvivõrke, kujundades põhimõtteliselt etteantud andmekogumi jaoks kohandatud kujunduse. Beetaversioonis toetab NeuNetS pildi- ja tekstiklassifikatsioonimudeleid. NeuNetS vähendab aega ja alandab kohandatud närvivõrkude kujundamiseks ja koolitamiseks vajalikku oskuste barjääri, muutes närvivõrgud mittetehniliste ainete ekspertide käeulatusse ning muutes andmeteadlased produktiivsemaks.

Kui olete selle koodimustri täitnud, saate aru, kuidas:

• Valmistage ette andmed, koolitage mudel ja juurutage AWS SageMakeri abil
• Hinda mudelit näidispunktide ja punktide määramise lõpp-punkti abil
• Seadistage Watson OpenScale andmekeskus
• Siduge SageMakeri mudel Watson OpenScale'i andmemargiga
• Lisage andmeturule tellimusi
• Lubage mõlema tellitud vara jaoks kasuliku koormuse logimine ja toimivuse jälgimine
• Tabeliandmetele juurdepääsuks tellimuse kaudu kasutage Data marti

voolama

1. Arendaja loob Jupyteri sülearvuti andmete põhjal UCI masinõppe andmebaas.
2. Jupyteri sülearvuti on ühendatud PostgreSQL-i andmebaasiga, mis salvestab Watson OpenScale'i andmeid.
3. Masinõppemudel luuakse AWS SageMakeri abil ja juurutatakse pilves.
4. Sülearvuti kasutab Watson Open Scale'i kasuliku koormuse logimiseks ja jõudluse jälgimiseks.

Juhised

Selle mustri üksikasjalikud juhised leiate jaotisest readme fail. Need sammud näitavad teile, kuidas:

1. Kloonige hoidla.
2. Looge PostgreSQL-i jaoks Compose'i andmebaas.
3. Looge Watson OpenScale teenus.
4. Käivitage märkmikud.