Övervaka Sagemaker maskininlärning med Watson OpenScale

Sammanfattning

Detta kodmönster beskriver ett sätt att få insikter genom att använda Watson OpenScale och en SageMaker maskininlärningsmodell. Den förklarar hur man skapar en logistisk regressionsmodell med hjälp av Amazon SageMaker med data från UC Irvine maskininlärningsdatabas. Mönstret använder Watson OpenScale för att binda maskininlärningsmodellen som distribueras i AWS-molnet, skapa en prenumeration och utföra nyttolast- och feedbackloggning.

Beskrivning

Med Watson OpenScale kan du övervaka modellkvalitet och logga nyttolaster, oavsett var modellen är värd. Detta kodmönster använder exemplet med en Amazon Web Service (AWS) SageMaker-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 operationalisera sin AI. OpenScale tillhandahåller en kraftfull plattform för att hantera AI- och maskininlärningsmodeller på IBM Cloud eller var de än kan distribueras och erbjuder dessa 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.

Automatisera skapandet av AI: Neural Network Synthesis (NeuNetS), för närvarande tillgänglig som en beta, syntetiserar neurala nätverk genom att i grunden utforma en anpassad design för en given datamängd. I betaversionen stöder NeuNetS bild- och textklassificeringsmodeller. NeuNetS minskar tiden och sänker kompetensbarriären som krävs för att designa och träna anpassade neurala nätverk, och därigenom placera neurala nätverk inom räckhåll för icke-tekniska ämnesexperter, samt göra datavetare mer produktiva.

När du har slutfört detta kodmönster kommer du att förstå hur du:

• Förbered data, träna en modell och distribuera med AWS SageMaker
• Betygsätt modellen med hjälp av exempelpoängspår och poängslutpunkten
• Ställ in en Watson OpenScale-datamart
• Bind SageMaker-modellen till Watson OpenScale-datamarknaden
• 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 UCI maskininlärningsdatabas.
2. Jupyter Notebook är ansluten till en PostgreSQL-databas som lagrar Watson OpenScale-data.
3. En maskininlärningsmodell skapas med AWS SageMaker och distribueras till molnet.
4. Watson Open Scale används av notebook-datorn för att logga nyttolasten och övervaka prestanda.

Instruktioner

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

1. Klona förvaret.
2. Skapa en Compose for PostgreSQL-databas.
3. Skapa en Watson OpenScale-tjänst.
4. Kör anteckningsböckerna.