Monitorizați învățarea mașinii Azure cu Watson OpenScale

Rezumat

Acest model de cod folosește un set de date de credit german pentru a crea un model de regresie logistică folosind Azure. Modelul folosește Watson OpenScale pentru a lega modelul de învățare automată implementat în cloudul Azure, pentru a crea un abonament și pentru a efectua înregistrarea sarcinii utile și a feedback-ului.

Descriere

Cu Watson OpenScale, puteți monitoriza calitatea modelului și puteți înregistra sarcinile utile, indiferent de locul în care este găzduit modelul. Acest model de cod folosește un exemplu de model Azure, care demonstrează natura independentă și deschisă a Watson OpenScale. IBM Watson OpenScale este un mediu deschis care permite organizațiilor să-și automatizeze și să își operaționalizeze inteligența artificială. Oferă o platformă puternică pentru gestionarea modelelor de inteligență artificială și de învățare automată pe IBM Cloud sau oriunde ar putea fi implementate și oferă aceste beneficii:

Deschis prin design: Watson OpenScale permite monitorizarea și gestionarea modelelor de învățare automată și de învățare profundă construite folosind orice framework-uri sau IDE-uri și implementate pe orice motor de găzduire a modelelor.

Obține rezultate mai corecte: Watson OpenScale detectează și ajută la atenuarea prejudecăților modelului pentru a evidenția problemele de corectitudine. Platforma oferă explicații în text simplu a intervalelor de date care au fost afectate de părtinire în model și vizualizări care ajută oamenii de știință de date și utilizatorii de afaceri să înțeleagă impactul asupra rezultatelor afacerii. Pe măsură ce sunt detectate prejudecăți, Watson OpenScale creează automat un model însoțitor fără părtinire care rulează alături de modelul implementat, previzualând astfel rezultatele așteptate mai corecte pentru utilizatori, fără a înlocui originalul.

Explicați tranzacțiile: Watson OpenScale ajută întreprinderile să aducă transparență și auditabilitate aplicațiilor cu IA prin generarea de explicații pentru tranzacțiile individuale care sunt punctate, inclusiv atributele care au fost utilizate pentru a face predicția și ponderea fiecărui atribut.

După ce ați completat acest model de cod, înțelegeți cum să:

• Pregătiți datele, antrenați un model și implementați folosind Azure
• Scotați modelul folosind eșantion de înregistrări de scor și punctul final de scor
• Configurați un magazin de date Watson OpenScale
• Legați modelul Azure la platforma de date Watson OpenScale
• Adăugați abonamente la data mart
• Activați înregistrarea sarcinilor utile și monitorizarea performanței pentru ambele active abonate
• Utilizați data mart pentru a accesa datele din tabele prin abonament

Debit

1. Dezvoltatorul creează un Jupyter Notebook folosind date din credit_risk_training.csv fișier.
2. Notebook-ul Jupyter este conectat la o bază de date PostgreSQL care stochează datele Watson OpenScale.
3. Un model de învățare automată este creat folosind Azure Machine Learning Studio și implementat în cloud.
4. Watson OpenScale este folosit de notebook pentru a înregistra sarcina utilă și pentru a monitoriza performanța.

Instrucțiuni

Găsiți pașii detaliate pentru acest model în fișier readme. Pașii vă vor arăta cum să:

1. Clonați depozitul.
2. Creați un serviciu Watson OpenScale.
3. Creați un model pe Azure Machine Learning Studio.
4. Rulați caietul.