Övervaka Azure-maskininlärning med Watson OpenScale

Sammanfattning

Detta kodmönster använder en tysk kredituppsättning för att skapa en logistisk regressionsmodell med Azure. Mönstret använder Watson OpenScale för att binda maskininlärningsmodellen som distribueras i Azure-molnet, skapa en prenumeration och utföra nyttolast och återkopplingsloggning.

Beskrivning

Med Watson OpenScale kan du övervaka modellkvalitet och logga nyttolast, oavsett var modellen är värd. Detta kodmönster använder ett exempel på en Azure-modell, som visar den oberoende och öppna naturen hos Watson OpenScale. IBM Watson OpenScale är en öppen miljö som gör det möjligt för organisationer att automatisera och operativisera sin AI. Det ger en kraftfull plattform för hantering av AI- och maskininlärningsmodeller på IBM Cloud eller var de än kan distribueras och erbjuder följande fördelar:

Öppet av design: Watson OpenScale möjliggör övervakning och hantering av maskininlärnings- och djupinlärningsmodeller byggda med hjälp av alla ramar eller IDE: er och distribueras på alla modeller för webbhotell.

Få rättvisare resultat: Watson OpenScale upptäcker och hjälper till att mildra modellbias för att belysa rättvisa frågor. Plattformen ger förklaring i klartext av de dataintervall som har påverkats av fördomar i modellen och visualiseringar som hjälper datavetare och affärsanvändare att förstå effekterna på affärsresultaten. När bias upptäcks skapar Watson OpenScale automatiskt en förspänd följeslagarmodell som körs bredvid den distribuerade modellen och därmed förhandsgranskar de förväntade rättvisare resultaten för användare utan att ersätta originalet.

Förklara transaktioner: Watson OpenScale hjälper företag att skapa transparens och granskbarhet för AI-infunderade applikationer genom att generera förklaringar för att enskilda transaktioner görs, inklusive attribut som användes för att göra förutsägelsen och vikten för varje attribut.

När du har slutfört detta kodmönster förstår du hur du:

• Förbered data, träna en modell och distribuera med Azure
• Betygsätt modellen med hjälp av exempelpoängspår och poängslutpunkten
• Ställ in en Watson OpenScale-datamart
• Binda Azure-modellen till Watson OpenScale datamart
• Lägg till prenumerationer på datamart
• Aktivera nyttolastloggning och prestandaövervakning för båda prenumeranterna
• Använd datamart för att komma åt tabelldata via prenumeration

Flöde

1. Utvecklaren skapar en Jupyter Notebook med data från credit_risk_training.csv fil.
2. Jupyter Notebook är ansluten till en PostgreSQL-databas som lagrar Watson OpenScale-data.
3. En maskininlärningsmodell skapas med hjälp av Azure Machine Learning Studio och distribueras till molnet.
4. Watson OpenScale används av den bärbara datorn för att logga nyttolast och övervaka prestanda.

Instruktioner

Hitta de detaljerade stegen för detta mönster i readme-fil. Stegen visar hur du gör:

1. Klona förvaret.
2. Skapa en Watson OpenScale-tjänst.
3. Skapa en modell på Azure Machine Learning Studio.
4. Kör anteckningsboken.