Watson OpenScale ile Sagemaker makine öğrenimini izleyin

Özet

Bu kod kalıbı, Watson OpenScale ve bir SageMaker makine öğrenimi modelini kullanarak içgörü kazanmanın bir yolunu açıklar. Verilerle Amazon SageMaker kullanılarak bir lojistik regresyon modelinin nasıl oluşturulacağını açıklar. UC Irvine makine öğrenimi veritabanı. Kalıp, AWS bulutunda devreye alınan makine öğrenimi modelini bağlamak, bir abonelik oluşturmak ve yük ve geri bildirim günlüğü gerçekleştirmek için Watson OpenScale'i kullanır.

Açıklama

Watson OpenScale ile modelin nerede barındırıldığından bağımsız olarak model kalitesini izleyebilir ve yükleri günlüğe kaydedebilirsiniz. Bu kod kalıbı, Watson OpenScale'in bağımsız ve açık yapısını gösteren bir Amazon Web Hizmeti (AWS) SageMaker modeli örneğini kullanır. IBM Watson OpenScale, kuruluşların yapay zekalarını otomatikleştirmesini ve operasyonel hale getirmesini sağlayan açık bir ortamdır. OpenScale, yapay zeka ve makine öğrenimi modellerini IBM Cloud'da veya devreye alınabilecekleri her yerde yönetmek için güçlü bir platform sağlar ve şu avantajları sunar:

Tasarımla açık: Watson OpenScale, herhangi bir çerçeve veya IDE kullanılarak oluşturulan ve herhangi bir model barındırma motorunda devreye alınan makine öğrenimi ve derin öğrenme modellerinin izlenmesine ve yönetilmesine olanak tanır.

Daha adil sonuçlar elde edin: Watson OpenScale, adalet sorunlarını vurgulamak için model önyargılarını tespit eder ve hafifletmeye yardımcı olur. Platform, modeldeki önyargıdan etkilenen veri aralıklarının düz metin açıklamasını ve veri bilimcilerinin ve iş kullanıcılarının iş sonuçları üzerindeki etkisini anlamalarına yardımcı olan görselleştirmeler sağlar. Önyargılar algılandıkça, Watson OpenScale otomatik olarak dağıtılan modelin yanında çalışan önyargılı bir yardımcı model oluşturur ve böylece orijinali değiştirmeden kullanıcılara beklenen daha adil sonuçları önizler.

İşlemleri açıklayın: Watson OpenScale, her bir özniteliğin tahminini ve ağırlığını yapmak için kullanılan öznitelikler de dahil olmak üzere, puanlanmakta olan bireysel işlemler için açıklamalar üreterek işletmelerin yapay zeka destekli uygulamalara şeffaflık ve denetlenebilirlik getirmesine yardımcı olur.

AI'nın oluşturulmasını otomatikleştirin: Şu anda beta olarak mevcut olan Sinir Ağı Sentezi (NeuNetS), belirli bir veri kümesi için temel olarak özel bir tasarım oluşturarak sinir ağlarını sentezler. Beta sürümünde NeuNetS, görüntü ve metin sınıflandırma modellerini destekler. NeuNetS, özel sinir ağları tasarlamak ve eğitmek için gereken süreyi ve beceri engelini azaltır, böylece sinir ağlarını teknik olmayan konu uzmanlarının erişimine sunarken veri bilimcilerini daha üretken hale getirir.

Bu kod modelini tamamladığınızda, aşağıdakileri nasıl yapacağınızı anlayacaksınız:

• AWS SageMaker kullanarak verileri hazırlayın, bir model eğitin ve dağıtın
• Örnek puanlama kayıtlarını ve puanlama uç noktasını kullanarak modeli puanlayın
• Bir Watson OpenScale veri pazarı kurun
• SageMaker modelini Watson OpenScale veri pazarına bağlayın
• Data mart'a abonelikler ekleyin
• Her iki abone olunan varlık için yük günlük kaydını ve performans izlemeyi etkinleştirin
• Abonelik yoluyla tablo verilerine erişmek için data mart'ı kullanın

akış

1. Geliştirici, verileri kullanarak bir Jupyter Not Defteri oluşturur. UCI makine öğrenimi veritabanı.
2. Jupyter Not Defteri, Watson OpenScale verilerini depolayan bir PostgreSQL veritabanına bağlıdır.
3. AWS SageMaker kullanılarak bir makine öğrenimi modeli oluşturulur ve buluta dağıtılır.
4. Watson Open Scale, dizüstü bilgisayar tarafından yükü günlüğe kaydetmek ve performansı izlemek için kullanılır.

talimatlar

Bu model için ayrıntılı adımları benioku dosyası. Adımlar şunları nasıl yapacağınızı gösterir:

1. Havuzu klonlayın.
2. Bir PostgreSQL için Compose veritabanı oluşturun.
3. Bir Watson OpenScale hizmeti oluşturun.
4. Defterleri çalıştırın.