Memantau pembelajaran mesin Azure dengan Watson OpenScale

Kesimpulan

Pola kode ini menggunakan kumpulan data Kredit Jerman untuk membuat model regresi logistik menggunakan Azure. Pola ini menggunakan Watson OpenScale untuk mengikat model pembelajaran mesin yang disebarkan di cloud Azure, membuat langganan, dan melakukan pencatatan payload dan umpan balik.

Deskripsi Produk

Dengan Watson OpenScale, Anda dapat memantau kualitas model dan mencatat muatan, di mana pun model itu dihosting. Pola kode ini menggunakan contoh model Azure, yang menunjukkan sifat openScale Watson yang independen dan terbuka. IBM Watson OpenScale adalah lingkungan terbuka yang memungkinkan organisasi untuk mengotomatisasi dan mengoperasionalkan AI mereka. Ini memberikan platform yang kuat untuk mengelola model-model pembelajaran AI dan mesin di Cloud IBM atau di mana pun mereka ditempatkan dan menawarkan manfaat-manfaat ini:

Terbuka oleh desain: Watson OpenScale memungkinkan pemantauan dan pengelolaan pembelajaran mesin dan model pembelajaran mendalam yang dibangun menggunakan kerangka kerja atau IDE apa pun dan digunakan pada mesin model-hosting apa pun.

Mendorong hasil yang lebih adil: Watson OpenScale mendeteksi dan membantu mengurangi bias model untuk menyoroti masalah keadilan. Platform ini memberikan penjelasan teks biasa tentang rentang data yang telah dipengaruhi oleh bias dalam model dan visualisasi yang membantu ilmuwan data dan pengguna bisnis memahami dampak pada hasil bisnis. Ketika bias terdeteksi, Watson OpenScale secara otomatis membuat model pendamping yang tidak bias yang berjalan di samping model yang digunakan, dengan demikian mempratinjau hasil yang lebih adil yang diharapkan bagi pengguna tanpa mengganti yang asli.

Menjelaskan transaksi: Watson OpenScale membantu perusahaan menghadirkan transparansi dan kemampuan audit untuk aplikasi yang diinfeksi AI dengan membuat penjelasan untuk transaksi individual yang dinilai, termasuk atribut yang digunakan untuk membuat prediksi dan bobot masing-masing atribut.

Ketika Anda telah menyelesaikan pola kode ini, Anda mengerti bagaimana cara:

• Mempersiapkan data, melatih model, dan menggunakan Azure
• Skor model menggunakan catatan skor sampel dan titik akhir penilaian
• Menyiapkan mart data OpenScale Watson
• Bind model Azure ke mart data OpenScale Watson
• Tambahkan langganan ke data mart
• Aktifkan pencatatan payload dan pemantauan kinerja untuk kedua aset yang dilanggan
• Gunakan data mart untuk mengakses data tabel melalui berlangganan

Aliran

1. Pengembang membuat Notebook Jupyter menggunakan data dari credit_risk_training.csv file.
2. Notebook Jupyter terhubung ke database PostgreSQL yang menyimpan data OpenScale Watson.
3. Model pembelajaran mesin dibuat menggunakan Azure Machine Learning Studio dan digunakan untuk cloud.
4. Watson OpenScale digunakan oleh notebook untuk mencatat muatan dan memantau kinerja.

petunjuk

Temukan langkah-langkah terperinci untuk pola ini di menu file readme. Langkah-langkahnya akan menunjukkan cara:

1. Kloning repositori.
2. Buat layanan Watson OpenScale.
3. Buat model di Azure Machine Learning Studio.
4. Jalankan notebook.