Monitor Azure machine learning met Watson OpenScale

Samengevat

Dit codepatroon maakt gebruik van een Duitse kredietgegevensset om een ​​logistisch regressiemodel te maken met behulp van Azure. Het patroon maakt gebruik van Watson OpenScale om het machine learning-model dat in de Azure-cloud is geïmplementeerd te binden, een abonnement te maken en payload- en feedbackregistratie uit te voeren.

Omschrijving

Met Watson OpenScale kunt u de kwaliteit van het model bewaken en de payloads registreren, ongeacht waar het model wordt gehost. Dit codepatroon gebruikt een voorbeeld van een Azure-model, dat het onafhankelijke en open karakter van Watson OpenScale laat zien. IBM Watson OpenScale is een open omgeving waarmee organisaties hun AI kunnen automatiseren en operationaliseren. Het biedt een krachtig platform voor het beheer van AI- en machine learning-modellen op de IBM Cloud of waar ze ook worden geïmplementeerd en biedt deze voordelen:

Open door ontwerp: Watson OpenScale maakt monitoring en beheer mogelijk van machine learning en deep learning-modellen die zijn gebouwd met behulp van frameworks of IDE's en die zijn geïmplementeerd op elke modelhosting-engine.

Zorg voor eerlijkere resultaten: Watson OpenScale detecteert en helpt modelvooroordelen te verminderen om eerlijkheidsproblemen te benadrukken. Het platform biedt duidelijke tekstuitleg over de gegevensbereiken die zijn beïnvloed door vooringenomenheid in het model en visualisaties die gegevenswetenschappers en zakelijke gebruikers helpen de impact op bedrijfsresultaten te begrijpen. Wanneer vooringenomenheid wordt gedetecteerd, creëert Watson OpenScale automatisch een niet-bevooroordeeld begeleidingsmodel dat naast het ingezette model wordt uitgevoerd, waarbij de verwachte eerlijkere resultaten voor gebruikers worden bekeken zonder het origineel te vervangen.

Transacties uitleggen: Watson OpenScale helpt bedrijven transparantie en controleerbaarheid te bieden aan AI-geïnfuseerde applicaties door uitleg te genereren voor individuele transacties die worden gescoord, inclusief de attributen die werden gebruikt om de voorspelling en weging van elk attribuut te maken.

Wanneer u dit codepatroon heeft voltooid, begrijpt u hoe u:

• Gegevens voorbereiden, een model trainen en implementeren met Azure
• Scoor het model met behulp van voorbeeldscore-records en het scoringseindpunt
• Stel een Watson OpenScale-datamart in
• Koppel het Azure-model aan de Watson OpenScale-datamart
• Voeg abonnementen toe aan de datamart
• Schakel logboekregistratie van lading en prestatiecontrole in voor beide geabonneerde items
• Gebruik datamart om toegang te krijgen tot tabeldata via een abonnement

Stroom

1. De ontwikkelaar maakt een Jupyter Notebook met gegevens uit de krediet_risico_training.csv bestand.
2. De Jupyter Notebook is verbonden met een PostgreSQL-database waarin de Watson OpenScale-gegevens zijn opgeslagen.
3. Een machine learning-model wordt gemaakt met behulp van Azure Machine Learning Studio en geïmplementeerd in de cloud.
4. Watson OpenScale wordt door de notebook gebruikt om de lading te registreren en de prestaties te bewaken.

Instructies

Vind de gedetailleerde stappen voor dit patroon in de readme-bestand. De stappen laten zien hoe u:

1. Kloon de repository.
2. Creëer een Watson OpenScale-service.
3. Maak een model op Azure Machine Learning Studio.
4. Voer de notebook uit.