A Sagemaker gépi tanulásának nyomon követése a Watson OpenScale segítségével

Összegzésként

Ez a kódminta leírja a Watson OpenScale és a SageMaker gépi tanulási modell használatával történő betekintést. Elmagyarázza, hogyan hozhat létre logisztikus regressziós modellt az Amazon SageMaker használatával a UC Irvine gépi tanulási adatbázis. A minta a Watson OpenScale segítségével köti össze az AWS-felhőben telepített gépi tanulási modellt, előfizetést hoz létre, valamint hasznos terhelést és visszajelzést naplóz.

Leírás

A Watson OpenScale segítségével figyelemmel kísérheti a modell minőségét és naplózhatja a hasznos terheket, függetlenül attól, hogy a modell hol található. Ez a kódminta az Amazon Web Service (AWS) SageMaker modelljének példáját használja, amely bemutatja a Watson OpenScale független és nyitott természetét. Az IBM Watson OpenScale egy nyílt környezet, amely lehetővé teszi a szervezetek számára mesterséges intelligencia automatizálását és működtetését. Az OpenScale hatékony platformot biztosít az AI és a gépi tanulási modellek kezelésére az IBM Cloudon vagy bárhol, ahol telepíthetőek, és a következő előnyöket kínálja:

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.

A mesterséges intelligencia létrehozásának automatizálása: A jelenleg béta verzióban elérhető NeuNetS (NeuNetS) neurális hálózatokat szintetizál azáltal, hogy alapvetően egyedi tervezést készít egy adott adatkészlethez. A béta verzióban a NeuNetS támogatja a kép- és szövegosztályozási modelleket. A NeuNetS csökkenti az időt és csökkenti az egyéni neurális hálózatok tervezéséhez és betanításához szükséges készségkorlátokat, ezáltal elérhetővé teszi a neurális hálózatokat a nem műszaki témájú szakértők számára, valamint termelékenyebbé teszi az adatkutatókat.

Ha befejezte ezt a kódmintát, meg fogja érteni, hogyan kell:

• Adatok előkészítése, modell betanítása és üzembe helyezése az AWS SageMaker segítségével
• Pontozza a modellt a mintapontozási rekordok és a pontozási végpont segítségével
• Hozzon létre egy Watson OpenScale adatpiacot
• Kösd össze a SageMaker modellt a Watson OpenScale adatpiaccal
• 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 UCI gépi tanulási adatbázis.
2. A Jupyter Notebook egy PostgreSQL adatbázishoz csatlakozik, amely a Watson OpenScale adatokat tárolja.
3. A gépi tanulási modellt az AWS SageMaker segítségével készítik el, és telepítik a felhőbe.
4. A Watson Open Scale-t a notebook a hasznos terhelés naplózására és a teljesítmény figyelésére használja.

Utasítás

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

1. A tár klónozása.
2. Hozzon létre egy Compose for PostgreSQL adatbázist.
3. Hozzon létre egy Watson OpenScale szolgáltatást.
4. Futtassa a notebookokat.