ตรวจสอบการเรียนรู้ของเครื่อง Sagemaker ด้วย Watson OpenScale

สรุป

รูปแบบโค้ดนี้อธิบายวิธีการรับข้อมูลเชิงลึกโดยใช้ Watson OpenScale และโมเดลการเรียนรู้ของเครื่อง SageMaker อธิบายวิธีสร้างแบบจำลองการถดถอยโลจิสติกโดยใช้ Amazon SageMaker พร้อมข้อมูลจาก ฐานข้อมูลการเรียนรู้ของเครื่อง UC Irvine. รูปแบบนี้ใช้ Watson OpenScale เพื่อรวมโมเดลแมชชีนเลิร์นนิงที่ปรับใช้ใน AWS Cloud สร้างการสมัครใช้งาน และดำเนินการบันทึกเพย์โหลดและบันทึกผลตอบรับ

รายละเอียด

ด้วย Watson OpenScale คุณสามารถตรวจสอบคุณภาพของโมเดลและบันทึก payloads ได้ ไม่ว่าโมเดลนั้นจะโฮสต์อยู่ที่ใด รูปแบบโค้ดนี้ใช้ตัวอย่างของโมเดล SageMaker ของ Amazon Web Service (AWS) ซึ่งแสดงให้เห็นลักษณะอิสระและเปิดกว้างของ Watson OpenScale IBM Watson OpenScale เป็นสภาพแวดล้อมแบบเปิดที่ช่วยให้องค์กรต่างๆ ทำงานอัตโนมัติและดำเนินการ AI ของตนได้ OpenScale จัดเตรียมแพลตฟอร์มที่มีประสิทธิภาพสำหรับการจัดการ AI และโมเดลการเรียนรู้ของเครื่องบน IBM Cloud หรือที่ใดก็ตามที่อาจถูกปรับใช้และให้ประโยชน์เหล่านี้:

เปิดโดยการออกแบบ: Watson OpenScale ช่วยให้ตรวจสอบและจัดการการเรียนรู้ของเครื่องและโมเดลการเรียนรู้เชิงลึกที่สร้างขึ้นโดยใช้เฟรมเวิร์กหรือ IDE ใดๆ และปรับใช้กับเอ็นจิ้นการโฮสต์โมเดลใดๆ

ขับเคลื่อนผลลัพธ์ที่ยุติธรรมยิ่งขึ้น: Watson OpenScale ตรวจจับและช่วยลดอคติของโมเดลเพื่อเน้นย้ำถึงปัญหาความเป็นธรรม แพลตฟอร์มนี้ให้คำอธิบายข้อความธรรมดาของช่วงข้อมูลที่ได้รับผลกระทบจากอคติในรูปแบบและการแสดงภาพ ซึ่งช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้ใช้ทางธุรกิจเข้าใจถึงผลกระทบต่อผลลัพธ์ทางธุรกิจ เมื่อตรวจพบอคติ Watson OpenScale จะสร้างโมเดลสหายที่ไม่มีอคติโดยอัตโนมัติที่ทำงานข้างโมเดลที่ปรับใช้ ดังนั้นจึงแสดงตัวอย่างผลลัพธ์ที่ยุติธรรมที่คาดหวังให้กับผู้ใช้โดยไม่ต้องแทนที่โมเดลเดิม

อธิบายธุรกรรม: Watson OpenScale ช่วยให้องค์กรต่างๆ นำความโปร่งใสและความสามารถในการตรวจสอบมาสู่แอปพลิเคชันที่ใช้ AI โดยสร้างคำอธิบายสำหรับธุรกรรมแต่ละรายการที่มีการให้คะแนน ซึ่งรวมถึงแอตทริบิวต์ที่ใช้ในการคาดการณ์และการถ่วงน้ำหนักของแต่ละแอตทริบิวต์

สร้างระบบอัตโนมัติของ AI: Neural Network Synthesis (NeuNetS) ซึ่งปัจจุบันมีอยู่ในรุ่นเบต้า โดยจะสังเคราะห์เครือข่ายประสาทเทียมโดยพื้นฐานการออกแบบการออกแบบที่กำหนดเองสำหรับชุดข้อมูลที่กำหนด ในรุ่นเบต้า NeuNetS รองรับโมเดลการจัดประเภทรูปภาพและข้อความ NeuNetS ช่วยลดเวลาและลดอุปสรรคด้านทักษะที่จำเป็นในการออกแบบและฝึกอบรมโครงข่ายประสาทเทียมแบบกำหนดเอง ซึ่งจะทำให้เครือข่ายประสาทเทียมอยู่ในมือของผู้เชี่ยวชาญที่ไม่เกี่ยวข้องกับด้านเทคนิค รวมทั้งทำให้นักวิทยาศาสตร์ข้อมูลมีประสิทธิผลมากขึ้น

เมื่อคุณเสร็จสิ้นรูปแบบโค้ดนี้ คุณจะเข้าใจวิธี:

• เตรียมข้อมูล ฝึกโมเดล และปรับใช้โดยใช้ AWS SageMaker
• ให้คะแนนแบบจำลองโดยใช้บันทึกการให้คะแนนตัวอย่างและจุดสิ้นสุดการให้คะแนน
• ตั้งค่า Watson OpenScale data mart
• ผูกโมเดล SageMaker กับ Watson OpenScale data mart
• เพิ่มการสมัครสมาชิกดาต้ามาร์ท
• เปิดใช้งานการบันทึกเพย์โหลดและการตรวจสอบประสิทธิภาพสำหรับสินทรัพย์ที่สมัครทั้งคู่
• ใช้ดาต้ามาร์ทเพื่อเข้าถึงข้อมูลตารางผ่านการสมัครสมาชิก

ไหล

1. นักพัฒนาสร้าง Jupyter Notebook โดยใช้ข้อมูลจาก ฐานข้อมูลการเรียนรู้ของเครื่อง UCI.
2. Jupyter Notebook เชื่อมต่อกับฐานข้อมูล PostgreSQL ที่เก็บข้อมูล Watson OpenScale
3. โมเดลแมชชีนเลิร์นนิงถูกสร้างขึ้นโดยใช้ AWS SageMaker และปรับใช้กับคลาวด์
4. โน้ตบุ๊ก Watson Open Scale ใช้เพื่อบันทึกเพย์โหลดและตรวจสอบประสิทธิภาพ

คำแนะนำ

ค้นหาขั้นตอนโดยละเอียดสำหรับรูปแบบนี้ใน ไฟล์ readme. ขั้นตอนแสดงวิธีการ:

1. โคลนที่เก็บ
2. สร้างฐานข้อมูล Compose สำหรับ PostgreSQL
3. สร้างบริการ Watson OpenScale
4. เรียกใช้โน้ตบุ๊ก