Spremljajte strojno učenje Sagemakerja z Watson OpenScale

Povzetek

Ta vzorec kode opisuje način pridobivanja vpogledov z uporabo Watson OpenScale in modela strojnega učenja SageMaker. Pojasnjuje, kako ustvariti logistični regresijski model z uporabo Amazon SageMaker s podatki iz Baza podatkov strojnega učenja UC Irvine. Vzorec uporablja Watson OpenScale za povezovanje modela strojnega učenja, razporejenega v oblaku AWS, ustvarjanje naročnine ter izvajanje koristnega tovora in beleženje povratnih informacij.

Opis

Z Watson OpenScale lahko spremljate kakovost modela in beležite koristne obremenitve, ne glede na to, kje model gostuje. Ta vzorec kode uporablja primer modela Amazon Web Service (AWS) SageMaker, ki prikazuje neodvisno in odprto naravo Watson OpenScale. IBM Watson OpenScale je odprto okolje, ki organizacijam omogoča avtomatizacijo in operacionalizacijo njihove umetne inteligence. OpenScale zagotavlja zmogljivo platformo za upravljanje modelov umetne inteligence in strojnega učenja v IBM-ovem oblaku ali povsod, kjer bi lahko bili nameščeni, in ponuja naslednje prednosti:

Odprto po zasnovi: Watson OpenScale omogoča spremljanje in upravljanje modelov strojnega učenja in globokega učenja, izdelanih z uporabo katerega koli ogrodja ali IDE-jev in nameščenih na katerem koli motorju za gostovanje modelov.

Spodbujanje pravičnejših rezultatov: Watson OpenScale zaznava in pomaga ublažiti pristranskost modela, da izpostavi vprašanja pravičnosti. Platforma ponuja navadno besedilno razlago obsegov podatkov, na katere je vplivala pristranskost v modelu, in vizualizacije, ki znanstvenikom in poslovnim uporabnikom pomagajo razumeti vpliv na poslovne rezultate. Ko so zaznane pristranskosti, Watson OpenScale samodejno ustvari spremljevalni model brez pristranskosti, ki deluje poleg razporejenega modela, s čimer predogleda pričakovane pravičnejše rezultate za uporabnike, ne da bi zamenjal izvirnik.

Pojasnite transakcije: Watson OpenScale pomaga podjetjem prinesti preglednost in revizijo v aplikacije, ki vsebujejo AI, z ustvarjanjem razlag za posamezne transakcije, ki se točkujejo, vključno z atributi, ki so bili uporabljeni za napovedovanje in težo vsakega atributa.

Avtomatizirajte ustvarjanje AI: Neural Network Synthesis (NeuNetS), ki je trenutno na voljo kot beta, sintetizira nevronske mreže tako, da temeljito oblikuje zasnovo po meri za dani niz podatkov. V različici beta NeuNetS podpira modele klasifikacije slik in besedil. NeuNetS skrajša čas in zmanjša oviro pri znanju, ki je potrebna za načrtovanje in usposabljanje nevronskih mrež po meri, s čimer nevronske mreže postavi v doseg strokovnjakov za netehnične teme, prav tako pa naredi podatkovne znanstvenike bolj produktivne.

Ko dokončate ta vzorec kode, boste razumeli, kako:

• Pripravite podatke, usposobite model in ga uvedite z uporabo AWS SageMaker
• Ocenite model z uporabo vzorčnih zapisov točkovanja in končne točke točkovanja
• Nastavite podatkovni trg Watson OpenScale
• Povežite model SageMaker s podatkovnim trgom Watson OpenScale
• Dodajte naročnine v podatkovno trgovino
• Omogočite beleženje koristne obremenitve in spremljanje delovanja za obe naročeni sredstvi
• Uporabite podatkovno trgovino za dostop do podatkov tabel prek naročnine

Pretok

1. Razvijalec ustvari Jupyter Notebook z uporabo podatkov iz Baza podatkov strojnega učenja UCI.
2. Jupyter Notebook je povezan z bazo podatkov PostgreSQL, ki shranjuje podatke Watson OpenScale.
3. Model strojnega učenja je ustvarjen z uporabo AWS SageMaker in uveden v oblak.
4. Watson Open Scale uporablja prenosni računalnik za beleženje tovora in spremljanje delovanja.

navodila

Poiščite podrobne korake za ta vzorec v datoteka readme. V korakih je prikazano, kako:

1. Klonirajte skladišče.
2. Ustvarite zbirko podatkov Compose za PostgreSQL.
3. Ustvarite storitev Watson OpenScale.
4. Vodite zvezke.