Seuraa Sagemakerin koneoppimista Watson OpenScalen avulla

Yhteenveto

Tämä koodimalli kuvaa tapaa saada oivalluksia käyttämällä Watson OpenScalea ja SageMaker-koneoppimismallia. Siinä selitetään, kuinka luodaan logistinen regressiomalli Amazon SageMaker -sovelluksen tietojen avulla UC Irvine koneoppimistietokanta. Malli käyttää Watson OpenScalea AWS-pilvessä käyttöönotetun koneoppimismallin sitomiseen, tilauksen luomiseen ja hyötykuorman ja palautteen kirjaamiseen.

Kuvaus

Watson OpenScalen avulla voit seurata mallin laatua ja kirjata hyötykuormia riippumatta siitä, missä mallia isännöidään. Tämä koodimalli käyttää esimerkkiä Amazon Web Service (AWS) SageMaker -mallista, joka osoittaa Watson OpenScalen riippumattoman ja avoimen luonteen. IBM Watson OpenScale on avoin ympäristö, jonka avulla organisaatiot voivat automatisoida ja toteuttaa tekoälynsä. OpenScale tarjoaa tehokkaan alustan tekoäly- ja koneoppimismallien hallintaan IBM Cloudissa tai missä tahansa niitä voidaan käyttää ja tarjoaa seuraavat edut:

Suunnittelu: Watson OpenScale mahdollistaa koneoppimisen ja syvällisen oppimisen mallien seurannan ja hallinnan, jotka on rakennettu käyttämällä mitä tahansa kehyksiä tai IDE: itä ja jotka on asennettu mihin tahansa mallin isännöintimoottoriin.

Aja oikeudenmukaisempia tuloksia: Watson OpenScale havaitsee ja auttaa vähentämään mallien ennakkoluuloja korostamaan oikeudenmukaisuuskysymyksiä. Alusta tarjoaa selkokielisen selityksen tietovälille, joihin mallin ennakkoluulot ovat vaikuttaneet, ja visualisoinnit, jotka auttavat tutkijoita ja yrityskäyttäjiä ymmärtämään vaikutuksen liiketoiminnan tuloksiin. Kun ennakkoluuloja havaitaan, Watson OpenScale luo automaattisesti puolueettoman kumppanimallin, joka toimii käyttöönotetun mallin vieressä, esikatselemalla siten odotetut oikeudenmukaisemmat tulokset käyttäjille korvaamatta alkuperäistä.

Selitä tapahtumia: Watson OpenScale auttaa yrityksiä lisäämään tekoälyyn infusoitujen sovellusten läpinäkyvyyttä ja auditoitavuutta luomalla selityksiä yksittäisille pisteytetyille tapahtumille, mukaan lukien attribuutit, joita käytettiin kunkin attribuutin ennustamiseen ja painottamiseen.

Automatisoi tekoälyn luominen: Neural Network Synthesis (NeuNetS), joka on tällä hetkellä saatavilla betaversiona, syntetisoi hermoverkkoja pohjimmiltaan suunnittelemalla mukautetun suunnittelun tietylle tietojoukolle. Betaversiossa NeuNetS tukee kuva- ja tekstiluokitusmalleja. NeuNetS vähentää aikaa ja alentaa taitojen estettä, joka vaaditaan räätälöityjen hermoverkkojen suunnitteluun ja kouluttamiseen, mikä asettaa hermoverkot ei-teknisten aiheiden asiantuntijoiden ulottuville ja tekee datatieteilijöistä tuottavampia.

Kun olet täyttänyt tämän koodimallin, ymmärrät kuinka:

• Valmistele tiedot, kouluta malli ja ota käyttöön AWS SageMakerin avulla
• Pisteytä malli käyttämällä näytepisteytysrekisteriä ja pisteytyspistettä
• Määritä Watson OpenScale -tietotiedosto
• Sido SageMaker-malli Watson OpenScale -datakauppaan
• Lisää tilauksia data mart
• Ota käyttöön molempien merkittyjen hyödykkeiden hyötykuorman kirjaaminen ja suorituskyvyn seuranta
• Käytä taulukkotietoja pääsyäksesi taulukkotietoihin tilauksen kautta

Virtaus

1. Kehittäjä luo Jupyter-muistikirjan käyttämällä tietoja UCI koneoppimistietokanta.
2. Jupyter Notebook on kytketty PostgreSQL-tietokantaan, joka tallentaa Watson OpenScale -tiedot.
3. Koneoppimismalli luodaan AWS SageMakerilla ja otetaan käyttöön pilvessä.
4. Notebook käyttää Watson Open Scalea hyötykuorman kirjaamiseen ja suorituskyvyn valvontaan.

Ohjeet

Etsi tämän mallin yksityiskohtaiset vaiheet readme-tiedosto. Vaiheet osoittavat sinulle, miten:

1. Klooni arkisto.
2. Luo kirjoitus PostgreSQL-tietokantaan.
3. Luo Watson OpenScale -palvelu.
4. Suorita muistikirjat.