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
- O desenvolvedor cria um Jupyter Notebook usando dados do credit_risk_training.csv arquivo.
- O Jupyter Notebook está conectado a um banco de dados PostgreSQL que armazena os dados do Watson OpenScale.
- Um modelo de aprendizado de máquina é criado usando o Azure Machine Learning Studio e implantado na nuvem.
- 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:
- Clone o repositório.
- Crie um serviço Watson OpenScale.
- Crie um modelo no Azure Machine Learning Studio.
- Execute o notebook.
- Acesso
- AI
- aplicações
- Azul
- Nuvem Azure
- corpo
- negócio
- Na nuvem
- código
- conteúdo
- crédito
- dados,
- conjunto de dados
- banco de dados
- deep learning
- Design
- Developer
- Meio Ambiente
- fluxo
- Destaques
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- Impacto
- Incluindo
- questões
- IT
- Caderno Jupyter
- aprendizagem
- aprendizado de máquina
- de grupos
- modelo
- monitoração
- Oferece
- aberto
- padrão
- atuação
- plataforma
- predição
- qualidade
- registros
- regressão
- cientistas
- conjunto
- lojas
- tudo incluso
- Transações
- Transparência
- usuários
- Watson