Monitoruj uczenie maszynowe Azure za pomocą Watson OpenScale

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

1. Deweloper tworzy notatnik Jupyter przy użyciu danych z credit_risk_training.csv plik.
2. Notatnik Jupyter jest połączony z bazą danych PostgreSQL, która przechowuje dane Watson OpenScale.
3. Model uczenia maszynowego jest tworzony przy użyciu Azure Machine Learning Studio i wdrażany w chmurze.
4. 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:

1. Sklonuj repozytorium.
2. Utwórz usługę Watson OpenScale.
3. Utwórz model w Azure Machine Learning Studio.
4. Uruchom notatnik.