Bewaak Sagemaker machine learning met Watson OpenScale

Samengevat

Dit codepatroon beschrijft een manier om inzichten te verkrijgen met behulp van Watson OpenScale en een SageMaker machine learning-model. Het legt uit hoe u een logistisch regressiemodel kunt maken met Amazon SageMaker met gegevens van de UC Irvine machine learning-database. Het patroon gebruikt Watson OpenScale om het machine learning-model dat is geïmplementeerd in de AWS-cloud te binden, een abonnement te maken en payload- en feedbacklogboeken uit te voeren.

Omschrijving

Met Watson OpenScale kunt u de modelkwaliteit bewaken en payloads loggen, ongeacht waar het model wordt gehost. Dit codepatroon gebruikt het voorbeeld van een Amazon Web Service (AWS) SageMaker-model, dat het onafhankelijke en open karakter van Watson OpenScale aantoont. IBM Watson OpenScale is een open omgeving waarmee organisaties hun AI kunnen automatiseren en operationaliseren. OpenScale biedt een krachtig platform voor het beheren van AI- en machine learning-modellen op de IBM Cloud of waar ze ook worden ingezet, en biedt de volgende 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.

Automatiseer de creatie van AI: Neural Network Synthesis (NeuNetS), momenteel beschikbaar als bèta, synthetiseert neurale netwerken door fundamenteel een aangepast ontwerp voor een bepaalde dataset te ontwerpen. In de bèta ondersteunt NeuNetS beeld- en tekstclassificatiemodellen. NeuNetS vermindert de tijd en verlaagt de vaardigheidsbarrière die nodig is om aangepaste neurale netwerken te ontwerpen en te trainen, waardoor neurale netwerken binnen het bereik van niet-technische vakexperts komen en datawetenschappers productiever worden.

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

• Gegevens voorbereiden, een model trainen en implementeren met AWS SageMaker
• Scoor het model met behulp van voorbeeldscore-records en het scoringseindpunt
• Stel een Watson OpenScale-datamart in
• Bind het SageMaker-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 UCI machine learning-database.
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 AWS SageMaker en geïmplementeerd in de cloud.
4. Watson Open Scale wordt door de notebook gebruikt om de payload te loggen 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. Maak een Compose voor PostgreSQL-database.
3. Maak een Watson OpenScale-service.
4. Voer de notebooks uit.