Monitora l'apprendimento automatico di Azure con Watson OpenScale

Sommario

Questo modello di codice usa un set di dati German Credit per creare un modello di regressione logistica usando Azure. Il pattern usa Watson OpenScale per associare il modello di machine learning distribuito nel cloud di Azure, creare una sottoscrizione ed eseguire la registrazione del payload e del feedback.

Descrizione

Con Watson OpenScale, puoi monitorare la qualità del modello e registrare i payload, indipendentemente da dove è ospitato il modello. Questo modello di codice usa un esempio di un modello Azure, che dimostra la natura indipendente e aperta di Watson OpenScale. IBM Watson OpenScale è un ambiente aperto che consente alle organizzazioni di automatizzare e rendere operativa la propria AI. Fornisce una potente piattaforma per la gestione di modelli di intelligenza artificiale e machine learning su IBM Cloud o ovunque possano essere distribuiti e offre questi vantaggi:

Apertura per progettazione: Watson OpenScale consente il monitoraggio e la gestione di modelli di machine learning e deep learning creati utilizzando qualsiasi framework o IDE e distribuiti su qualsiasi motore di hosting di modelli.

Ottieni risultati più equi: Watson OpenScale rileva e aiuta a mitigare i pregiudizi del modello per evidenziare i problemi di equità. La piattaforma fornisce una spiegazione in testo semplice degli intervalli di dati che sono stati influenzati da pregiudizi nel modello e visualizzazioni che aiutano i data scientist e gli utenti aziendali a comprendere l'impatto sui risultati aziendali. Man mano che vengono rilevati pregiudizi, Watson OpenScale crea automaticamente un modello companion deprezzato che viene eseguito accanto al modello distribuito, in modo da visualizzare in anteprima i risultati più equi previsti per gli utenti senza sostituire l'originale.

Spiegare le transazioni: Watson OpenScale aiuta le aziende a portare trasparenza e verificabilità alle applicazioni infuse di intelligenza artificiale generando spiegazioni per le singole transazioni a cui viene assegnato un punteggio, inclusi gli attributi che sono stati utilizzati per fare la previsione e il peso di ogni attributo.

Dopo aver completato questo modello di codice, capisci come:

• Preparare i dati, addestrare un modello e distribuire usando Azure
• Assegna un punteggio al modello utilizzando record di punteggio di esempio e l'endpoint di punteggio
• Configurare un data mart Watson OpenScale
• Associare il modello Azure al data mart di Watson OpenScale
• Aggiungi sottoscrizioni al data mart
• Abilita la registrazione del carico utile e il monitoraggio delle prestazioni per entrambe le risorse sottoscritte
• Utilizza il data mart per accedere ai dati delle tabelle tramite la sottoscrizione

Flow

1. Lo sviluppatore crea un notebook Jupyter utilizzando i dati del credit_risk_training.csv file.
2. Il notebook Jupyter è connesso a un database PostgreSQL che memorizza i dati di Watson OpenScale.
3. Un modello di machine learning viene creato usando Azure Machine Learning Studio e distribuito nel cloud.
4. Watson OpenScale viene utilizzato dal notebook per registrare il payload e monitorare le prestazioni.

Istruzioni

Trova i passaggi dettagliati per questo modello nel file Leggimi. I passaggi ti mostreranno come:

1. Clona il repository.
2. Crea un servizio Watson OpenScale.
3. Creare un modello in Azure Machine Learning Studio.
4. Esegui il notebook.