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
- Разработчик создает блокнот Jupyter, используя данные из Credit_risk_training.csv .
- Блокнот Jupyter подключен к базе данных PostgreSQL, в которой хранятся данные Watson OpenScale.
- Модель машинного обучения создается с помощью Azure Machine Learning Studio и развертывается в облаке.
- 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:
- Клонировать хранилище.
- Создайте сервис Watson OpenScale.
- Создайте модель в Студии машинного обучения Azure.
- Запустите ноутбук.
- доступ
- AI
- Приложения
- Лазурный
- Лазурное облако
- тело
- бизнес
- облако
- код
- содержание
- кредит
- данным
- набор данных
- База данных
- глубокое обучение
- Проект
- Застройщик
- Окружающая среда
- поток
- Выделите
- Как
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- Влияние
- В том числе
- вопросы
- IT
- Jupyter Notebook
- изучение
- обучение с помощью машины
- управление
- модель
- Мониторинг
- Предложения
- открытый
- шаблон
- производительность
- Платформа
- прогноз
- учет
- регресс
- Ученые
- набор
- магазины
- подписка
- Сделки
- Прозрачность
- пользователей
- Уотсон