Monitore o aprendizado de máquina do Azure com o Watson OpenScale

Resumo

Este padrão de código utiliza um conjunto de dados de crédito alemão para criar um modelo de regressão logística utilizando o Azure. O padrão usa o Watson OpenScale para vincular o modelo de aprendizado de máquina implantado na nuvem do Azure, criar uma assinatura e executar o log de carga útil e feedback.

Descrição

Com o Watson OpenScale, você pode monitorar a qualidade do modelo e logar cargas úteis, independentemente de onde o modelo está hospedado. Esse padrão de código usa um exemplo de um modelo do Azure, que demonstra a natureza independente e aberta do Watson OpenScale. O IBM Watson OpenScale é um ambiente aberto que permite que as organizações automatizem e operacionalizem sua IA. Ele fornece uma plataforma poderosa para gerenciar modelos de IA e machine learning no IBM Cloud ou onde quer que eles sejam implementados e oferece os seguintes benefícios:

Aberto desde o início: o Watson OpenScale permite o monitoramento e gerenciamento de modelos de aprendizado de máquina e aprendizado profundo construídos usando qualquer framework ou IDEs e implementados em qualquer mecanismo de hospedagem de modelo.

Obtenha resultados mais justos: o Watson OpenScale detecta e ajuda a mitigar os preconceitos do modelo para destacar os problemas de justiça. A plataforma fornece uma explicação em texto simples dos intervalos de dados que foram afetados pelo viés no modelo e visualizações que ajudam os cientistas de dados e usuários de negócios a entender o impacto nos resultados de negócios. Conforme os desvios são detectados, o Watson OpenScale cria automaticamente um modelo complementar sem desvio que é executado ao lado do modelo implementado, visualizando assim os resultados mais justos esperados para os usuários sem substituir o original.

Explique as transações: o Watson OpenScale ajuda as empresas a trazer transparência e capacidade de auditoria para aplicativos infundidos de AI, gerando explicações para transações individuais sendo pontuadas, incluindo os atributos que foram usados ​​para fazer a previsão e ponderação de cada atributo.

Ao concluir esse padrão de código, você entende como:

• Prepare dados, treine um modelo e implante usando o Azure
• Pontue o modelo usando registros de pontuação de amostra e o terminal de pontuação
• Configurar um data mart Watson OpenScale
• Vincular o modelo do Azure ao data mart Watson OpenScale
• Adicionar assinaturas ao data mart
• Habilite o registro de carga útil e monitoramento de desempenho para ambos os ativos assinados
• Use data mart para acessar tabelas de dados por meio de assinatura

Fluxo

1. O desenvolvedor cria um Jupyter Notebook usando dados do credit_risk_training.csv arquivo.
2. O Jupyter Notebook está conectado a um banco de dados PostgreSQL que armazena os dados do Watson OpenScale.
3. Um modelo de aprendizado de máquina é criado usando o Azure Machine Learning Studio e implantado na nuvem.
4. O Watson OpenScale é usado pelo notebook para registrar a carga útil e monitorar o desempenho.

Instruções

Encontre as etapas detalhadas para esse padrão no arquivo leia-me. As etapas mostrarão como:

1. Clone o repositório.
2. Crie um serviço Watson OpenScale.
3. Crie um modelo no Azure Machine Learning Studio.
4. Execute o notebook.