Az Azure gépi tanulásának nyomon követése a Watson OpenScale segítségével

Összegzésként

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.

Leírás

With Watson OpenScale, you can monitor model quality and log payloads, regardless of where the model is hosted. This code pattern uses an example of an Azure model, which demonstrates the independent and open nature of Watson OpenScale. IBM Watson OpenScale is an open environment that enables organizations to automate and operationalize their AI. It provides a powerful platform for managing AI and machine learning models on the IBM Cloud or wherever they might be deployed and offers these benefits:

Tervezés szerint nyitott: A Watson OpenScale lehetővé teszi a gépi tanulási és mély tanulási modellek nyomon követését és kezelését, amelyek bármilyen keretrendszer vagy IDE felhasználásával készültek, és bármely modellgazdamotoron telepíthetők.

Tisztességesebb eredmények elérése: A Watson OpenScale észleli és segít enyhíteni a modell torzításait, hogy kiemelje a méltányossági problémákat. A platform egyszerű szöveges magyarázatot ad azokról az adattartományokról, amelyeket a modell torzítása befolyásolt, valamint olyan vizualizációkat, amelyek segítenek az adattudósoknak és az üzleti felhasználóknak megérteni az üzleti eredményekre gyakorolt ​​hatást. Amint a torzítások észlelhetők, a Watson OpenScale automatikusan létrehoz egy torzításmentes kísérőmodellt, amely a telepített modell mellett fut, így az eredeti modell cseréje nélkül megtekintheti a várható igazságosabb eredményeket a felhasználók számára.

Tranzakciók magyarázata: A Watson OpenScale segít a vállalatoknak átláthatóságot és auditálhatóságot biztosítani az MI-vel átitatott alkalmazásokhoz azáltal, hogy magyarázatokat generál az egyes pontozott tranzakciókhoz, beleértve az egyes attribútumok előrejelzéséhez és súlyozásához használt attribútumokat is.

Ha befejezte ezt a kódmintát, megérti, hogyan kell:

• Prepare data, train a model, and deploy using Azure
• Pontozza a modellt a mintapontozási rekordok és a pontozási végpont segítségével
• Hozzon létre egy Watson OpenScale adatpiacot
• Bind the Azure model to the Watson OpenScale data mart
• Adjon hozzá előfizetéseket az adatpiachoz
• Engedélyezze a hasznos tehernaplózást és a teljesítményfigyelést mindkét előfizetett eszköz számára
• A Data mart használatával előfizetésen keresztül érheti el a táblák adatait

Folyik

1. A fejlesztő egy Jupyter Notebookot hoz létre a következőből származó adatok felhasználásával credit_risk_training.csv fájlt.
2. A Jupyter Notebook egy PostgreSQL adatbázishoz csatlakozik, amely a Watson OpenScale adatokat tárolja.
3. A machine learning model is created using Azure Machine Learning Studio and deployed to the cloud.
4. Watson OpenScale is used by the notebook to log payload and monitor performance.

Utasítás

A minta részletes lépéseit megtalálja a readme fájl. A lépések megmutatják, hogyan kell:

1. A tár klónozása.
2. Create a Watson OpenScale service.
3. Create a model on Azure Machine Learning Studio.
4. Futtassa a notebookot.