Monitore o aprendizado de máquina do Sagemaker com o Watson OpenScale

Resumo

Este padrão de código descreve uma maneira de obter insights usando o Watson OpenScale e um modelo de aprendizado de máquina SageMaker. Ele explica como criar um modelo de regressão logística usando Amazon SageMaker com dados do Banco de dados de aprendizado de máquina da UC Irvine. O padrão usa o Watson OpenScale para vincular o modelo de aprendizado de máquina implantado na nuvem AWS, criar uma assinatura e realizar a carga útil e o registro de feedback.

Descrição

Com o Watson OpenScale, você pode monitorar a qualidade do modelo e registrar cargas úteis, independentemente de onde o modelo está hospedado. Este padrão de código usa o exemplo de um modelo SageMaker do Amazon Web Service (AWS), que demonstra a natureza independente e aberta do Watson OpenScale. IBM Watson OpenScale é um ambiente aberto que permite às organizações automatizar e operacionalizar sua IA. OpenScale fornece uma plataforma poderosa para gerenciar modelos de aprendizado de máquina e IA na nuvem IBM ou onde quer que eles possam ser implementados e oferece estes 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.

Automatize a criação de AI: Neural Network Synthesis (NeuNetS), atualmente disponível como uma versão beta, sintetiza redes neurais fundamentalmente arquitetando um design personalizado para um determinado conjunto de dados. Na versão beta, NeuNetS oferece suporte a modelos de classificação de imagem e texto. NeuNetS reduz o tempo e diminui a barreira de habilidade necessária para projetar e treinar redes neurais personalizadas, colocando as redes neurais ao alcance de especialistas não técnicos no assunto, além de tornar os cientistas de dados mais produtivos.

Ao concluir este padrão de código, você entenderá como:

• Prepare dados, treine um modelo e implante usando AWS SageMaker
• Pontue o modelo usando registros de pontuação de amostra e o terminal de pontuação
• Configurar um data mart Watson OpenScale
• Vincule o modelo SageMaker 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 Banco de dados de aprendizado de máquina UCI.
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 AWS SageMaker e implantado na nuvem.
4. O Watson Open Scale 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 mostram como:

1. Clone o repositório.
2. Crie um banco de dados Compose para PostgreSQL.
3. Crie um serviço Watson OpenScale.
4. Execute os notebooks.