Monitor Azure machine learning med Watson OpenScale

Oppsummering

Dette kodemønsteret bruker et tysk kreditt-datasett for å lage en logistisk regresjonsmodell ved hjelp av Azure. Mønsteret bruker Watson OpenScale til å binde maskinlæringsmodellen som er distribuert i Azure-skyen, opprette et abonnement og utføre nyttelast og tilbakemeldingslogging.

Beskrivelse

Med Watson OpenScale kan du overvåke modellkvalitet og logge nyttelast, uavhengig av hvor modellen er vert. Dette kodemønsteret bruker et eksempel på en Azure-modell, som demonstrerer den uavhengige og åpne naturen til Watson OpenScale. IBM Watson OpenScale er et åpent miljø som gjør det mulig for organisasjoner å automatisere og operasjonalisere AI. Det gir en kraftig plattform for å administrere AI- og maskinlæringsmodeller på IBM Cloud eller hvor de måtte distribueres, og tilbyr disse fordelene:

Åpent av design: Watson OpenScale tillater overvåking og styring av maskinlæring og dyplæringsmodeller bygget ved hjelp av alle rammer eller IDEer og distribuert på en hvilken som helst modell-hosting-motor.

Kjør mer rettferdige resultater: Watson OpenScale oppdager og hjelper med å redusere modellforstyrrelser for å markere rettferdighetsproblemer. Plattformen gir klar tekstforklaring av dataområdene som har blitt påvirket av skjevhet i modellen og visualiseringer som hjelper dataforskere og forretningsbrukere å forstå innvirkningen på forretningsresultatene. Etter hvert som skjevheter oppdages, oppretter Watson OpenScale automatisk en avvikende følgesvennmodell som kjører ved siden av den distribuerte modellen, og derved forhåndsviser de forventede mer rettferdige resultatene for brukerne uten å erstatte originalen.

Forklar transaksjoner: Watson OpenScale hjelper bedrifter med å bringe gjennomsiktighet og revisjonering til AI-infunderte applikasjoner ved å generere forklaringer på individuelle transaksjoner som blir scoret, inkludert attributtene som ble brukt til å lage spådommer og vekting av hvert attributt.

Når du har fullført dette kodemønsteret, forstår du hvordan du:

• Forbered data, trene en modell og distribuere ved hjelp av Azure
• Score modellen ved hjelp av eksempler på scoringsposter og poengendepunktet
• Sett opp en Watson OpenScale-datamart
• Bind Azure-modellen til Watson OpenScale datamart
• Legg til abonnement på datamart
• Aktiver nyttelastlogging og ytelsesovervåking for begge abonnementene
• Bruk datamart for å få tilgang til tabelldata gjennom abonnement

Flow

1. Utvikleren oppretter en Jupyter Notebook med data fra credit_risk_training.csv filen.
2. Jupyter Notebook er koblet til en PostgreSQL-database som lagrer Watson OpenScale-data.
3. En maskinlæringsmodell opprettes ved hjelp av Azure Machine Learning Studio og distribueres til skyen.
4. Watson OpenScale brukes av notatboken til å logge nyttelast og overvåke ytelse.

Instruksjoner

Finn de detaljerte trinnene for dette mønsteret i readme-fil. Trinnene viser deg hvordan du:

1. Klone depotet.
2. Opprett en Watson OpenScale-tjeneste.
3. Lag en modell på Azure Machine Learning Studio.
4. Kjør notatboken.