Мониторинг машинного обучения Azure с помощью Watson OpenScale

Обзор

Этот шаблон кода использует набор данных German Credit для создания модели логистической регрессии с помощью Azure. Шаблон использует Watson OpenScale для привязки модели машинного обучения, развернутой в облаке Azure, создания подписки и ведения журнала полезной нагрузки и обратной связи.

Описание

С Watson OpenScale вы можете отслеживать качество модели и регистрировать полезные нагрузки независимо от того, где находится модель. Этот шаблон кода использует пример модели Azure, которая демонстрирует независимую и открытую природу Watson OpenScale. IBM Watson OpenScale - это открытая среда, позволяющая организациям автоматизировать и использовать свой ИИ. Он предоставляет мощную платформу для управления моделями искусственного интеллекта и машинного обучения в IBM Cloud или в любом месте, где они могут быть развернуты, и предлагает следующие преимущества:

Open by design: Watson OpenScale позволяет осуществлять мониторинг и управление моделями машинного обучения и глубокого обучения, созданными с использованием любых сред или сред IDE и развернутыми на любом движке хостинга моделей.

Добейтесь более справедливых результатов: Watson OpenScale обнаруживает и помогает смягчить искажения моделей, чтобы выявить проблемы справедливости. Платформа предоставляет простое текстовое объяснение диапазонов данных, на которые повлияло смещение в модели, и визуализаций, которые помогают ученым и бизнес-пользователям понять влияние на результаты бизнеса. При обнаружении смещений Watson OpenScale автоматически создает сопутствующую модель с смещением, которая работает рядом с развернутой моделью, тем самым просматривая ожидаемые более справедливые результаты для пользователей без замены оригинала.

Объясните транзакции: Watson OpenScale помогает предприятиям привнести прозрачность и возможность аудита в приложения, наполненные искусственным интеллектом, генерируя объяснения для отдельных оцениваемых транзакций, включая атрибуты, которые использовались для прогнозирования и оценки каждого атрибута.

Когда вы завершили этот шаблон кода, вы понимаете, как:

• Подготовьте данные, обучите модель и разверните с помощью Azure
• Оценка модели с использованием примеров записей оценки и конечной точки оценки
• Настройка витрины данных Watson OpenScale
• Привязать модель Azure к витрине данных Watson OpenScale
• Добавить подписки на киоск данных
• Включить ведение журнала полезной нагрузки и мониторинг производительности для обоих подписанных активов
• Используйте киоск данных для доступа к данным таблиц через подписку

Поток

1. Разработчик создает блокнот Jupyter, используя данные из Credit_risk_training.csv .
2. Блокнот Jupyter подключен к базе данных PostgreSQL, в которой хранятся данные Watson OpenScale.
3. Модель машинного обучения создается с помощью Azure Machine Learning Studio и развертывается в облаке.
4. Watson OpenScale используется ноутбуком для регистрации полезной нагрузки и мониторинга производительности.

инструкции

Найти подробные шаги для этого шаблона в файл readme, Шаги покажут вам, как:

1. Клонировать хранилище.
2. Создайте сервис Watson OpenScale.
3. Создайте модель в Студии машинного обучения Azure.
4. Запустите ноутбук.