Monitora l'apprendimento automatico di Sagemaker con Watson OpenScale

Sommario

Questo modello di codice descrive un modo per ottenere informazioni dettagliate utilizzando Watson OpenScale e un modello di machine learning SageMaker. Spiega come creare un modello di regressione logistica utilizzando Amazon SageMaker con i dati del Database di apprendimento automatico di UC Irvine. Il pattern utilizza Watson OpenScale per associare il modello di machine learning distribuito nel cloud AWS, creare una sottoscrizione ed eseguire la registrazione del carico utile 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 utilizza l'esempio di un modello SageMaker di Amazon Web Service (AWS), 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 intelligenza artificiale. OpenScale 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.

Automatizza la creazione di AI: Neural Network Synthesis (NeuNetS), attualmente disponibile come beta, sintetizza le reti neurali architettando fondamentalmente un design personalizzato per un determinato set di dati. Nella versione beta, NeuNetS supporta modelli di classificazione di immagini e testo. NeuNetS riduce il tempo e riduce la barriera di competenze necessaria per progettare e addestrare reti neurali personalizzate, mettendo così le reti neurali alla portata di esperti in materia non tecnici, oltre a rendere più produttivi gli scienziati dei dati.

Dopo aver completato questo modello di codice, capirai come:

• Prepara i dati, addestra un modello e distribuisci utilizzando AWS SageMaker
• Assegna un punteggio al modello utilizzando record di punteggio di esempio e l'endpoint di punteggio
• Configurare un data mart Watson OpenScale
• Associa il modello SageMaker al data mart 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 Database di apprendimento automatico UCI.
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 utilizzando AWS SageMaker e distribuito nel cloud.
4. Watson Open Scale 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 mostrano come:

1. Clona il repository.
2. Crea un database Compose per PostgreSQL.
3. Crea un servizio Watson OpenScale.
4. Esegui i taccuini.