Monitoruj uczenie maszynowe Sagemaker za pomocą Watson OpenScale

Podsumowanie

Ten wzorzec kodu opisuje sposób uzyskiwania szczegółowych informacji za pomocą Watson OpenScale i modelu uczenia maszynowego SageMaker. Wyjaśnia, jak stworzyć model regresji logistycznej za pomocą Amazon SageMaker z danymi z Baza danych uczenia maszynowego UC Irvine. Wzorzec wykorzystuje Watson OpenScale do powiązania modelu uczenia maszynowego wdrożonego w chmurze AWS, utworzenia subskrypcji oraz wykonywania rejestrowania ładunku i informacji zwrotnych.

Opis

Dzięki Watson OpenScale możesz monitorować jakość modelu i rejestrować ładunek, niezależnie od tego, gdzie model jest hostowany. Ten wzorzec kodu wykorzystuje przykład modelu Amazon Web Service (AWS) SageMaker, który demonstruje niezależny i otwarty charakter Watson OpenScale. IBM Watson OpenScale to otwarte środowisko, które umożliwia organizacjom automatyzację i operacjonalizację sztucznej inteligencji. OpenScale zapewnia zaawansowaną 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.

Zautomatyzuj tworzenie sztucznej inteligencji: Synteza sieci neuronowych (NeuNetS), obecnie dostępna w wersji beta, syntetyzuje sieci neuronowe poprzez fundamentalne zaprojektowanie niestandardowego projektu dla danego zestawu danych. W wersji beta NeuNetS obsługuje modele klasyfikacji obrazów i tekstu. NeuNetS skraca czas i obniża barierę umiejętności wymaganą do projektowania i szkolenia niestandardowych sieci neuronowych, dzięki czemu sieci neuronowe znajdują się w zasięgu nietechnicznych ekspertów w danej dziedzinie, a naukowcy zajmujący się danymi są bardziej wydajni.

Po ukończeniu tego wzorca kodu zrozumiesz, jak:

• Przygotuj dane, trenuj model i wdrażaj za pomocą AWS SageMaker
• Oceń model, używając przykładowych rekordów oceniania i punktu końcowego oceniania
• Skonfiguruj zbiorczą bazę danych Watson OpenScale
• Powiąż model SageMaker z hurtownią 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 Baza danych uczenia maszynowego UCI.
2. Notatnik Jupyter jest połączony z bazą danych PostgreSQL, która przechowuje dane Watson OpenScale.
3. Model uczenia maszynowego jest tworzony przy użyciu AWS SageMaker i wdrażany w chmurze.
4. Watson Open Scale jest używany przez notebook do rejestrowania ładunku i monitorowania wydajności.

Instrukcje

Znajdź szczegółowe kroki dla tego wzoru w plik readme. Kroki pokazują, jak:

1. Sklonuj repozytorium.
2. Utwórz bazę danych Compose for PostgreSQL.
3. Utwórz usługę Watson OpenScale.
4. Uruchom notatniki.