वाटसन ओपनस्केल के साथ सेजमेकर मशीन लर्निंग की निगरानी करें

सारांश

यह कोड पैटर्न वाटसन ओपनस्केल और एक सेजमेकर मशीन लर्निंग मॉडल का उपयोग करके अंतर्दृष्टि प्राप्त करने के तरीके का वर्णन करता है। यह बताता है कि अमेज़ॅन सेजमेकर का उपयोग करके डेटा के साथ एक लॉजिस्टिक रिग्रेशन मॉडल कैसे बनाया जाए यूसी इरविन मशीन लर्निंग डेटाबेस. पैटर्न एडब्ल्यूएस क्लाउड में तैनात मशीन लर्निंग मॉडल को बांधने, सदस्यता बनाने और पेलोड और फीडबैक लॉगिंग करने के लिए वाटसन ओपनस्केल का उपयोग करता है।

Description

वाटसन ओपनस्केल के साथ, आप मॉडल की गुणवत्ता की निगरानी कर सकते हैं और पेलोड लॉग कर सकते हैं, भले ही मॉडल को होस्ट किया गया हो। यह कोड पैटर्न अमेज़ॅन वेब सर्विस (एडब्ल्यूएस) सेजमेकर मॉडल के उदाहरण का उपयोग करता है, जो वाटसन ओपनस्केल की स्वतंत्र और खुली प्रकृति को प्रदर्शित करता है। आईबीएम वाटसन ओपनस्केल एक खुला वातावरण है जो संगठनों को अपने एआई को स्वचालित और संचालित करने में सक्षम बनाता है। OpenScale IBM क्लाउड पर या जहाँ भी उन्हें तैनात किया जा सकता है, AI और मशीन लर्निंग मॉडल के प्रबंधन के लिए एक शक्तिशाली मंच प्रदान करता है और ये लाभ 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।

AI के निर्माण को स्वचालित करें: न्यूरल नेटवर्क सिंथेसिस (NeuNetS), जो वर्तमान में बीटा के रूप में उपलब्ध है, किसी दिए गए डेटा सेट के लिए एक कस्टम डिज़ाइन को मौलिक रूप से आर्किटेक्चर करके तंत्रिका नेटवर्क को संश्लेषित करता है। बीटा में, NeuNetS छवि और पाठ वर्गीकरण मॉडल का समर्थन करता है। न्यूनेट्स समय को कम करता है और कस्टम न्यूरल नेटवर्क को डिजाइन और प्रशिक्षित करने के लिए आवश्यक कौशल बाधा को कम करता है, जिससे तंत्रिका नेटवर्क को गैर-तकनीकी विषय विशेषज्ञों की पहुंच के भीतर रखा जाता है, साथ ही डेटा वैज्ञानिकों को अधिक उत्पादक बनाता है।

जब आपने यह कोड पैटर्न पूरा कर लिया है, तो आप समझेंगे कि कैसे:

• एडब्ल्यूएस सेजमेकर का उपयोग करके डेटा तैयार करें, एक मॉडल को प्रशिक्षित करें और तैनात करें
• नमूना स्कोरिंग रिकॉर्ड और स्कोरिंग समापन बिंदु का उपयोग करके मॉडल स्कोर करें
• एक वाटसन ओपनस्केल डेटा मार्ट स्थापित करें
• सेजमेकर मॉडल को वाटसन ओपनस्केल डेटा मार्ट से बांधें
• 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 यूसीआई मशीन लर्निंग डेटाबेस.
2. Jupyter नोटबुक एक PostgreSQL डेटाबेस से जुड़ा है जो वाटसन ओपनसेल डेटा संग्रहीत करता है।
3. AWS SageMaker का उपयोग करके एक मशीन लर्निंग मॉडल बनाया गया है और इसे क्लाउड पर तैनात किया गया है।
4. वाटसन ओपन स्केल का उपयोग नोटबुक द्वारा पेलोड को लॉग करने और प्रदर्शन की निगरानी के लिए किया जाता है।

अनुदेश

इस पैटर्न के लिए विस्तृत चरणों का पता लगाएं readme फ़ाइल। चरण आपको दिखाते हैं:

1. भंडार का क्लोन।
2. PostgreSQL डेटाबेस के लिए एक कंपोज़ बनाएं।
3. एक वाटसन OpenScale सेवा बनाएं।
4. नोटबुक्स चलाते हैं।