با Watson OpenScale بر یادگیری ماشینی Sagemaker نظارت کنید

خلاصه

این الگوی کد روشی را برای به دست آوردن بینش با استفاده از Watson OpenScale و یک مدل یادگیری ماشینی SageMaker توصیف می‌کند. توضیح می دهد که چگونه می توان یک مدل رگرسیون لجستیک با استفاده از Amazon SageMaker با داده های بدست آمده ایجاد کرد پایگاه داده یادگیری ماشین UC Irvine. این الگو از Watson OpenScale برای اتصال مدل یادگیری ماشینی مستقر در ابر AWS، ایجاد اشتراک و انجام بارگیری و ثبت بازخورد استفاده می‌کند.

توضیحات:

با Watson OpenScale، می‌توانید کیفیت مدل را کنترل کرده و بارهای بارگذاری را بدون توجه به جایی که مدل میزبانی می‌شود، ثبت کنید. این الگوی کد از نمونه مدل SageMaker وب سرویس آمازون (AWS) استفاده می‌کند که ماهیت مستقل و باز Watson OpenScale را نشان می‌دهد. IBM Watson OpenScale یک محیط باز است که سازمان ها را قادر می سازد هوش مصنوعی خود را خودکار و عملیاتی کنند. OpenScale یک پلت فرم قدرتمند برای مدیریت مدل‌های هوش مصنوعی و یادگیری ماشین در IBM Cloud یا هر جایی که ممکن است مستقر شوند فراهم می‌کند و این مزایا را ارائه می‌کند:

باز کردن بر اساس طراحی: Watson OpenScale به نظارت و مدیریت یادگیری ماشین و مدل‌های یادگیری عمیق که با استفاده از هر چارچوب یا IDE ساخته شده و بر روی هر موتور میزبان مدل مستقر شده‌اند اجازه می‌دهد.

نتایج منصفانه‌تر را به ارمغان می‌آورد: Watson OpenScale شناسایی می‌کند و به کاهش تعصبات مدل برای برجسته کردن مسائل انصاف کمک می‌کند. این پلتفرم توضیح متنی ساده‌ای از محدوده‌های داده‌ای را ارائه می‌دهد که تحت تأثیر تعصب در مدل قرار گرفته‌اند و تجسم‌هایی که به دانشمندان داده و کاربران تجاری کمک می‌کند تأثیر آن بر نتایج کسب‌وکار را درک کنند. همانطور که سوگیری ها شناسایی می شوند، Watson OpenScale به طور خودکار یک مدل همراه بدون تعصب ایجاد می کند که در کنار مدل مستقر شده اجرا می شود، در نتیجه پیش نمایش نتایج منصفانه تر مورد انتظار برای کاربران بدون جایگزینی نسخه اصلی است.

توضیح تراکنش‌ها: Watson OpenScale به شرکت‌ها کمک می‌کند تا با ارائه توضیحاتی برای تراکنش‌های فردی که امتیازدهی می‌شوند، شفافیت و قابلیت ممیزی را برای برنامه‌های کاربردی ایجاد شده با هوش مصنوعی ایجاد کنند، از جمله ویژگی‌هایی که برای پیش‌بینی و وزن هر ویژگی استفاده می‌شوند.

ایجاد خودکار هوش مصنوعی: سنتز شبکه عصبی (NeuNetS) که در حال حاضر به صورت بتا موجود است، شبکه های عصبی را با معماری اساسی یک طرح سفارشی برای یک مجموعه داده معین سنتز می کند. در نسخه بتا، NeuNetS از مدل های طبقه بندی تصویر و متن پشتیبانی می کند. NeuNetS زمان را کاهش می‌دهد و مانع مهارت مورد نیاز برای طراحی و آموزش شبکه‌های عصبی سفارشی را کاهش می‌دهد، در نتیجه شبکه‌های عصبی را در دسترس متخصصان موضوع غیر فنی قرار می‌دهد و همچنین باعث بهره‌وری بیشتر دانشمندان داده می‌شود.

وقتی این الگوی کد را تکمیل کردید، خواهید فهمید که چگونه:

• داده ها را آماده کنید، یک مدل را آموزش دهید و با استفاده از AWS SageMaker به کار بگیرید
• مدل را با استفاده از رکوردهای امتیازدهی نمونه و نقطه پایان امتیازدهی امتیاز دهید
• یک دیتا مارت Watson OpenScale راه اندازی کنید
• مدل SageMaker را به دیتا مارت Watson OpenScale متصل کنید
• اشتراک ها را به دیتا مارت اضافه کنید
• ثبت بار و نظارت بر عملکرد را برای هر دو دارایی مشترک فعال کنید
• از data mart برای دسترسی به داده های جداول از طریق اشتراک استفاده کنید

جریان

1. توسعه دهنده یک نوت بوک Jupyter را با استفاده از داده ها ایجاد می کند پایگاه داده یادگیری ماشین UCI.
2. نوت بوک Jupyter به یک پایگاه داده PostgreSQL متصل است که داده های Watson OpenScale را ذخیره می کند.
3. یک مدل یادگیری ماشین با استفاده از AWS SageMaker ایجاد شده و در فضای ابری مستقر می شود.
4. مقیاس باز Watson توسط نوت بوک برای ثبت بار و نظارت بر عملکرد استفاده می شود.

دستورالعمل ها

مراحل دقیق این الگو را در قسمت پیدا کنید فایل readme. مراحل به شما نشان می دهد که چگونه:

1. مخزن را کلون کنید.
2. یک پایگاه داده Compose برای PostgreSQL ایجاد کنید.
3. یک سرویس Watson OpenScale ایجاد کنید.
4. نوت بوک ها را اجرا کنید.