वाटसन ओपनस्केल के साथ मॉनिटर एज़्योर मशीन लर्निंग

सारांश

This code pattern uses a German Credit data set to create a logistic regression model using Azure. The pattern uses Watson OpenScale to bind the machine learning model deployed in the Azure cloud, create a subscription, and perform payload and feedback logging.

Description

वाटसन ओपनस्केल के साथ, आप मॉडल की गुणवत्ता की निगरानी कर सकते हैं और पेलोड को लॉग कर सकते हैं, भले ही मॉडल की मेजबानी की जाए। यह कोड पैटर्न एक एज़्योर मॉडल का एक उदाहरण का उपयोग करता है, जो वाटसन ओपनसेल के स्वतंत्र और खुले स्वभाव को प्रदर्शित करता है। IBM Watson OpenScale एक खुला वातावरण है जो संगठनों को अपने AI को स्वचालित और संचालित करने में सक्षम बनाता है। यह आईबीएम क्लाउड पर एआई और मशीन लर्निंग मॉडल के प्रबंधन के लिए एक शक्तिशाली मंच प्रदान करता है या जहां भी उन्हें तैनात किया जा सकता है और इन लाभों को प्रदान करता है:

डिजाइन द्वारा खोलें: वॉटसन ओपनस्केल किसी भी फ्रेमवर्क या आईडीई का उपयोग करके निर्मित मशीन लर्निंग और डीप लर्निंग मॉडल की निगरानी और प्रबंधन की अनुमति देता है और किसी भी मॉडल-होस्टिंग इंजन पर तैनात किया जाता है।

फेयर ड्राइव के परिणाम: वॉटसन ओपनस्केल ने निष्पक्षता के मुद्दों को उजागर करने के लिए मॉडल बायसेज़ को कम करने में मदद की। प्लेटफॉर्म मॉडल और विज़ुअलाइज़ेशन में पूर्वाग्रह से प्रभावित होने वाली डेटा श्रेणियों का सादा पाठ विवरण प्रदान करता है जो डेटा वैज्ञानिकों और व्यापार उपयोगकर्ताओं को व्यावसायिक परिणामों पर प्रभाव को समझने में मदद करते हैं। जैसा कि पक्षपात का पता चला है, वॉटसन ओपनस्केल स्वचालित रूप से एक डी-पक्षपाती साथी मॉडल बनाता है जो तैनात मॉडल के बगल में चलता है, जिससे मूल की जगह के बिना उपयोगकर्ताओं के लिए अपेक्षित निष्पक्ष परिणामों का पूर्वावलोकन होता है।

लेन-देन की व्याख्या करें: वॉटसन ओपनस्केल, उद्यमों को पारदर्शिता और ऑडिटबिलिटी लाने में मदद करता है, जो कि प्रत्येक ट्रांजैक्शन की भविष्यवाणी और वेटेज बनाने के लिए उपयोग की जाने वाली विशेषताओं सहित, किए जा रहे व्यक्तिगत लेनदेन के लिए स्पष्टीकरण उत्पन्न करके एआई-इनफ्यूज्ड एप्लिकेशन को भेजते हैं।

जब आपने यह कोड पैटर्न पूरा कर लिया है, तो आप समझते हैं:

• डेटा तैयार करें, एक मॉडल को प्रशिक्षित करें, और एज़्योर का उपयोग करके तैनात करें
• नमूना स्कोरिंग रिकॉर्ड और स्कोरिंग समापन बिंदु का उपयोग करके मॉडल स्कोर करें
• एक वाटसन ओपनस्केल डेटा मार्ट स्थापित करें
• Watson OpenScale डेटा मार्ट में Azure मॉडल को बाइंड करें
• डेटा मार्ट में सदस्यताएँ जोड़ें
• दोनों सब्सक्राइब की गई संपत्तियों के लिए पेलोड लॉगिंग और प्रदर्शन निगरानी सक्षम करें
• सदस्यता के माध्यम से टेबल डेटा तक पहुंचने के लिए डेटा मार्ट का उपयोग करें

फ्लो

1. डेवलपर से डेटा का उपयोग करके एक ज्यूपिटर नोटबुक बनाता है credit_risk_training.csv फ़ाइल.
2. Jupyter नोटबुक एक PostgreSQL डेटाबेस से जुड़ा है जो वाटसन ओपनसेल डेटा संग्रहीत करता है।
3. एक मशीन लर्निंग मॉडल Azure मशीन लर्निंग स्टूडियो का उपयोग करके बनाया गया है और क्लाउड पर तैनात है।
4. वाटसन ओपनसेल का उपयोग नोटबुक द्वारा पेलोड को लॉग इन करने और प्रदर्शन को मॉनिटर करने के लिए किया जाता है।

अनुदेश

इस पैटर्न के लिए विस्तृत चरणों का पता लगाएं readme फ़ाइल। कदम आपको दिखाएंगे कि कैसे:

1. भंडार का क्लोन।
2. Create a Watson OpenScale service.
3. Create a model on Azure Machine Learning Studio.
4. नोटबुक चलाएं।