Overvåk Sagemaker maskinlæring med Watson OpenScale

Oppsummering

Dette kodemønsteret beskriver en måte å få innsikt ved å bruke Watson OpenScale og en SageMaker maskinlæringsmodell. Den forklarer hvordan du lager en logistisk regresjonsmodell ved å bruke Amazon SageMaker med data fra UC Irvine maskinlæringsdatabase. Mønsteret bruker Watson OpenScale til å binde maskinlæringsmodellen som er distribuert i AWS-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 eksemplet med en Amazon Web Service (AWS) SageMaker-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. OpenScale gir en kraftig plattform for administrasjon av AI og maskinlæringsmodeller på IBM Cloud eller hvor de kan 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.

Automatiser etableringen av AI: Neural Network Synthesis (NeuNetS), som for tiden er tilgjengelig som en beta, syntetiserer nevrale nettverk ved å fundamentalt bygge et tilpasset design for et gitt datasett. I betaen støtter NeuNetS bilde- og tekstklassifiseringsmodeller. NeuNetS reduserer tiden og senker ferdighetsbarrieren som kreves for å designe og trene tilpassede nevrale nettverk, og dermed sette nevrale nettverk innen rekkevidde for ikke-tekniske fageksperter, samt gjøre dataforskere mer produktive.

Når du har fullført dette kodemønsteret, vil du forstå hvordan du:

• Forbered data, tren opp en modell og distribuer med AWS SageMaker
• Score modellen ved hjelp av eksempler på scoringsposter og poengendepunktet
• Sett opp en Watson OpenScale-datamart
• Bind SageMaker-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 UCI maskinlæringsdatabase.
2. Jupyter Notebook er koblet til en PostgreSQL-database som lagrer Watson OpenScale-data.
3. En maskinlæringsmodell lages ved hjelp av AWS SageMaker og distribueres til skyen.
4. Watson Open Scale brukes av den bærbare datamaskinen til å logge nyttelasten og overvåke ytelsen.

Instruksjoner

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

1. Klone depotet.
2. Opprett en Compose for PostgreSQL-database.
3. Opprett en Watson OpenScale-tjeneste.
4. Kjør notatbøkene.