Pantau pembelajaran mesin Sagemaker dengan Watson OpenScale

Kesimpulan

Pola kode ini menjelaskan cara untuk mendapatkan wawasan dengan menggunakan Watson OpenScale dan model pembelajaran mesin SageMaker. Ini menjelaskan cara membuat model regresi logistik menggunakan Amazon SageMaker dengan data dari Basis data pembelajaran mesin UC Irvine. Pola tersebut menggunakan Watson OpenScale untuk mengikat model pembelajaran mesin yang diterapkan di cloud AWS, membuat langganan, dan melakukan pencatatan muatan dan umpan balik.

Deskripsi Produk

Dengan Watson OpenScale, Anda dapat memantau kualitas model dan mencatat muatan, di mana pun model tersebut dihosting. Pola kode ini menggunakan contoh model SageMaker Amazon Web Service (AWS), yang menunjukkan sifat independen dan terbuka dari Watson OpenScale. IBM Watson OpenScale adalah lingkungan terbuka yang memungkinkan organisasi untuk mengotomatisasi dan mengoperasionalkan AI mereka. OpenScale menyediakan platform yang kuat untuk mengelola AI dan model pembelajaran mesin di IBM Cloud atau di mana pun mereka dapat digunakan dan menawarkan manfaat berikut:

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.

Mengotomatiskan pembuatan AI: Neural Network Synthesis (NeuNetS), yang saat ini tersedia sebagai beta, mensintesis jaringan saraf dengan secara mendasar merancang desain khusus untuk kumpulan data tertentu. Dalam versi beta, NeuNetS mendukung model klasifikasi gambar dan teks. NeuNetS mengurangi waktu dan menurunkan hambatan keterampilan yang diperlukan untuk merancang dan melatih jaringan saraf khusus, sehingga menempatkan jaringan saraf dalam jangkauan pakar materi pelajaran non-teknis, serta membuat ilmuwan data lebih produktif.

Ketika Anda telah menyelesaikan pola kode ini, Anda akan memahami cara:

• Siapkan data, latih model, dan terapkan menggunakan AWS SageMaker
• Skor model menggunakan catatan skor sampel dan titik akhir penilaian
• Menyiapkan mart data OpenScale Watson
• Ikat model SageMaker ke data mart Watson OpenScale
• 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 Basis data pembelajaran mesin UCI.
2. Notebook Jupyter terhubung ke database PostgreSQL yang menyimpan data OpenScale Watson.
3. Model pembelajaran mesin dibuat menggunakan AWS SageMaker dan diterapkan ke cloud.
4. Watson Open Scale digunakan oleh notebook untuk mencatat payload dan memantau kinerja.

petunjuk

Temukan langkah-langkah terperinci untuk pola ini di menu file readme. Langkah-langkah menunjukkan kepada Anda bagaimana:

1. Kloning repositori.
2. Buat database Compose untuk PostgreSQL.
3. Buat layanan OpenScale Watson.
4. Jalankan notebook.