まとめ
このコード パターンでは、German Credit データ セットを使用して、Azure を使用してロジスティック回帰モデルを作成します。 このパターンでは、Watson OpenScale を使用して、Azure クラウドにデプロイされた機械学習モデルをバインドし、サブスクリプションを作成して、ペイロードとフィードバックのログ記録を実行します。
説明
Watson OpenScaleを使用すると、モデルがホストされている場所に関係なく、モデルの品質とログのペイロードを監視できます。 このコードパターンでは、Watson OpenScaleの独立したオープンな性質を示すAzureモデルの例を使用しています。 IBM Watson OpenScaleは、組織がAIを自動化して運用できるようにするオープン環境です。 IBM Cloud上のAIや機械学習モデルを管理するための強力なプラットフォームを提供するか、それらが展開される可能性のある場所ならどこでも、これらの利点を提供します。
設計によるオープン:Watson OpenScaleは、任意のフレームワークまたはIDEを使用して構築され、任意のモデルホスティングエンジンにデプロイされた機械学習モデルとディープラーニングモデルの監視と管理を可能にします。
より公平な結果の推進:Watson OpenScaleは、モデルのバイアスを検出して軽減し、公平性の問題を強調します。 このプラットフォームは、モデルのバイアスの影響を受けたデータ範囲のプレーンテキストの説明と、データサイエンティストとビジネスユーザーがビジネスの結果への影響を理解するのに役立つ視覚化を提供します。 バイアスが検出されると、Watson OpenScaleは、デプロイされたモデルの横で実行されるバイアスをかけられていないコンパニオンモデルを自動的に作成します。これにより、元のモデルを置き換えることなく、ユーザーに期待されるより公正な結果をプレビューできます。
トランザクションの説明:Watson OpenScaleは、各属性の予測と重み付けに使用された属性を含む、スコアリングされている個々のトランザクションの説明を生成することにより、企業がAIを活用したアプリケーションに透明性と監査能力をもたらすのに役立ちます。
このコードパターンを完了すると、次の方法がわかります。
- データを準備し、モデルをトレーニングし、Azureを使用してデプロイする
- サンプルのスコアリングレコードとスコアリングエンドポイントを使用してモデルをスコアリングする
- Watson OpenScaleデータマートをセットアップする
- AzureモデルをWatson OpenScaleデータマートにバインドする
- データマートにサブスクリプションを追加する
- サブスクライブした両方のアセットのペイロードロギングとパフォーマンスモニタリングを有効にする
- データマートを使用して、サブスクリプションを通じてテーブルデータにアクセスする
Flow
- 開発者は、からのデータを使用してJupyterNotebookを作成します クレジット_リスク_トレーニング.csv ファイルにソフトウェアを指定する必要があります。
- Jupyter Notebookは、Watson OpenScaleデータを格納するPostgreSQLデータベースに接続されています。
- 機械学習モデルは、Azure Machine Learning Studioを使用して作成され、クラウドにデプロイされます。
- Watson OpenScaleは、ノートブックでペイロードを記録し、パフォーマンスを監視するために使用されます。
説明書
このパターンの詳細な手順については、 READMEファイル。 手順では、次の方法について説明します。
- リポジトリのクローンを作成します。
- Watson OpenScale サービスを作成します。
- Azure Machine Learning Studio でモデルを作成します。
- ノートブックを実行します。