Surveillez l'apprentissage automatique Azure avec Watson OpenScale

Résumé

Ce modèle de code utilise un ensemble de données de crédit allemand pour créer un modèle de régression logistique à l'aide d'Azure. Le modèle utilise Watson OpenScale pour lier le modèle d'apprentissage automatique déployé dans le cloud Azure, créer un abonnement et effectuer la journalisation de la charge utile et des commentaires.

Description

Avec Watson OpenScale, vous pouvez surveiller la qualité du modèle et enregistrer les charges utiles, quel que soit l'endroit où le modèle est hébergé. Ce modèle de code utilise un exemple de modèle Azure, qui illustre la nature indépendante et ouverte de Watson OpenScale. IBM Watson OpenScale est un environnement ouvert qui permet aux organisations d'automatiser et d'opérationnaliser leur IA. Il fournit une plate-forme puissante pour la gestion des modèles d'IA et d'apprentissage automatique sur IBM Cloud ou partout où ils peuvent être déployés et offre les avantages suivants:

Conception ouverte: Watson OpenScale permet la surveillance et la gestion des modèles d'apprentissage automatique et d'apprentissage en profondeur construits à l'aide de tout framework ou IDE et déployés sur n'importe quel moteur d'hébergement de modèles.

Obtenez des résultats plus équitables: Watson OpenScale détecte et aide à atténuer les biais de modèle pour mettre en évidence les problèmes d'équité. La plate-forme fournit une explication en texte brut des plages de données qui ont été affectées par des biais dans le modèle et des visualisations qui aident les scientifiques des données et les utilisateurs métier à comprendre l'impact sur les résultats commerciaux. Lorsque les biais sont détectés, Watson OpenScale crée automatiquement un modèle compagnon sans biais qui s'exécute à côté du modèle déployé, prévisualisant ainsi les résultats plus équitables attendus pour les utilisateurs sans remplacer l'original.

Expliquer les transactions: Watson OpenScale aide les entreprises à apporter transparence et auditabilité aux applications infusées par l'IA en générant des explications pour les transactions individuelles notées, y compris les attributs utilisés pour effectuer la prédiction et la pondération de chaque attribut.

Lorsque vous avez terminé ce modèle de code, vous comprenez comment:

• Préparer des données, former un modèle et déployer à l'aide d'Azure
• Noter le modèle à l'aide d'exemples d'enregistrements de notation et du point de terminaison de notation
• Configurer un data mart Watson OpenScale
• Lier le modèle Azure au magasin de données Watson OpenScale
• Ajouter des abonnements au data mart
• Activer la journalisation de la charge utile et la surveillance des performances pour les deux actifs souscrits
• Utilisez le magasin de données pour accéder aux données des tables via un abonnement

Flow

1. Le développeur crée un Jupyter Notebook en utilisant les données du credit_risk_training.csv fichier.
2. Le bloc-notes Jupyter est connecté à une base de données PostgreSQL qui stocke les données Watson OpenScale.
3. Un modèle de machine learning est créé à l'aide d'Azure Machine Learning Studio et déployé dans le cloud.
4. Watson OpenScale est utilisé par le notebook pour consigner la charge utile et surveiller les performances.

Instructions

Trouvez les étapes détaillées de ce modèle dans le fichier Lisezmoi. Les étapes vous montreront comment:

1. Clonez le référentiel.
2. Créez un service Watson OpenScale.
3. Créez un modèle sur Azure Machine Learning Studio.
4. Exécutez le cahier.