Surveillez l'apprentissage automatique de Sagemaker avec Watson OpenScale

Résumé

Ce modèle de code décrit un moyen d'obtenir des informations en utilisant Watson OpenScale et un modèle d'apprentissage automatique SageMaker. Il explique comment créer un modèle de régression logistique à l'aide d'Amazon SageMaker avec les données du Base de données d'apprentissage automatique de l'UC Irvine. Le modèle utilise Watson OpenScale pour lier le modèle d'apprentissage automatique déployé dans le cloud AWS, 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 consigner les charges utiles, quel que soit l'endroit où le modèle est hébergé. Ce modèle de code utilise l'exemple d'un modèle Amazon Web Service (AWS) SageMaker, qui démontre 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. OpenScale fournit une plate-forme puissante pour gérer les modèles d'IA et d'apprentissage automatique sur le cloud IBM 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.

Automatisez la création de l'IA : Neural Network Synthesis (NeuNetS), actuellement disponible en version bêta, synthétise les réseaux de neurones en concevant fondamentalement une conception personnalisée pour un ensemble de données donné. Dans la version bêta, NeuNetS prend en charge les modèles de classification d'images et de textes. NeuNetS réduit le temps et la barrière des compétences requises pour concevoir et former des réseaux de neurones personnalisés, mettant ainsi les réseaux de neurones à la portée des experts en la matière non techniques, tout en rendant les scientifiques des données plus productifs.

Lorsque vous aurez terminé ce modèle de code, vous comprendrez comment:

• Préparer les données, former un modèle et déployer à l'aide d'AWS SageMaker
• 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 SageMaker au data mart 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 Base de données d'apprentissage automatique UCI.
2. Le bloc-notes Jupyter est connecté à une base de données PostgreSQL qui stocke les données Watson OpenScale.
3. Un modèle d'apprentissage automatique est créé à l'aide d'AWS SageMaker et déployé dans le cloud.
4. Watson Open Scale est utilisé par le notebook pour enregistrer la charge utile et surveiller les performances.

Instructions

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

1. Clonez le référentiel.
2. Créez une base de données Compose for PostgreSQL.
3. Créez un service Watson OpenScale.
4. Exécutez les cahiers.