Podsumowanie
Ten wzorzec kodu używa zestawu danych niemieckiego kredytu do tworzenia modelu regresji logistycznej przy użyciu platformy Azure. Wzorzec wykorzystuje rozwiązanie Watson OpenScale do powiązania modelu uczenia maszynowego wdrożonego w chmurze Azure, utworzenia subskrypcji oraz rejestrowania ładunku i opinii.
Opis
Dzięki Watson OpenScale możesz monitorować jakość modelu i rejestrować ładunki, niezależnie od tego, gdzie model jest hostowany. Ten wzorzec kodu wykorzystuje przykład modelu platformy Azure, który demonstruje niezależny i otwarty charakter Watson OpenScale. IBM Watson OpenScale to otwarte środowisko, które umożliwia organizacjom automatyzację i operacjonalizację sztucznej inteligencji. Stanowi potężną platformę do zarządzania modelami sztucznej inteligencji i uczenia maszynowego w chmurze IBM Cloud lub w dowolnym miejscu, w którym mogą zostać wdrożone, i oferuje następujące korzyści:
Otwarte z założenia: Watson OpenScale umożliwia monitorowanie i zarządzanie modelami uczenia maszynowego i głębokiego uczenia zbudowanymi przy użyciu dowolnych frameworków lub IDE i wdrożonych na dowolnym silniku hostingu modeli.
Osiągaj bardziej sprawiedliwe wyniki: Watson OpenScale wykrywa i pomaga złagodzić błędy modelu, aby podkreślić problemy z uczciwością. Platforma zapewnia zwykły tekst objaśniający zakresy danych, na które wpłynęły odchylenia w modelu, oraz wizualizacje, które pomagają naukowcom zajmującym się danymi i użytkownikom biznesowym zrozumieć wpływ na wyniki biznesowe. Po wykryciu uprzedzeń Watson OpenScale automatycznie tworzy model towarzyszący bez odchyleń, który działa obok wdrożonego modelu, w ten sposób wyświetlając użytkownikom oczekiwane bardziej sprawiedliwe wyniki bez zastępowania oryginału.
Wyjaśnij transakcje: Watson OpenScale pomaga przedsiębiorstwom zapewnić przejrzystość i możliwość audytu aplikacjom wykorzystującym sztuczną inteligencję, generując wyjaśnienia dla poszczególnych transakcji, które są oceniane, w tym atrybuty użyte do prognozowania i ważenia każdego atrybutu.
Po zakończeniu tego wzorca kodu zrozumiesz, jak:
- Przygotuj dane, wytrenuj model i wdrażaj przy użyciu platformy Azure
- Oceń model, używając przykładowych rekordów oceniania i punktu końcowego oceniania
- Skonfiguruj zbiorczą bazę danych Watson OpenScale
- Powiąż model platformy Azure ze składnicą danych Watson OpenScale
- Dodaj subskrypcje do hurtowni danych
- Włącz rejestrowanie ładunku i monitorowanie wydajności dla obu subskrybowanych zasobów
- Użyj zbiorczej bazy danych, aby uzyskać dostęp do danych tabel w ramach subskrypcji
Przepływ
- Deweloper tworzy notatnik Jupyter przy użyciu danych z credit_risk_training.csv plik.
- Notatnik Jupyter jest połączony z bazą danych PostgreSQL, która przechowuje dane Watson OpenScale.
- Model uczenia maszynowego jest tworzony przy użyciu Azure Machine Learning Studio i wdrażany w chmurze.
- Watson OpenScale jest używany przez notebook do rejestrowania ładunku i monitorowania wydajności.
Instrukcje
Znajdź szczegółowe kroki dla tego wzoru w plik readme. Kroki pokażą, jak:
- Sklonuj repozytorium.
- Utwórz usługę Watson OpenScale.
- Utwórz model w Azure Machine Learning Studio.
- Uruchom notatnik.
- dostęp
- AI
- aplikacje
- Lazur
- Azure Cloud
- ciało
- biznes
- Chmura
- kod
- zawartość
- kredyt
- dane
- zbiór danych
- Baza danych
- głęboka nauka
- Wnętrze
- Deweloper
- Środowisko
- pływ
- Atrakcja
- W jaki sposób
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- Rezultat
- Włącznie z
- problemy
- IT
- Notebook Jupyter
- nauka
- uczenie maszynowe
- i konserwacjami
- model
- monitorowanie
- Oferty
- koncepcja
- Wzór
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- Platforma
- przepowiednia
- jakość
- dokumentacja
- regresja
- Naukowcy
- zestaw
- sklep
- subskrypcja
- transakcje
- Przezroczystość
- Użytkownicy
- Watson