Відстежуйте машинне навчання Azure за допомогою Watson OpenScale

Підсумки

Цей шаблон коду використовує набір даних німецького кредиту для створення моделі логістичної регресії за допомогою Azure. Патерн використовує Watson OpenScale для зв’язування моделі машинного навчання, розгорнутої в хмарі Azure, створення підписки та реєстрації корисного навантаження та відгуків.

Опис

За допомогою Watson OpenScale ви можете контролювати якість моделі та реєструвати корисні навантаження, незалежно від того, де розміщена модель. Цей шаблон коду використовує приклад моделі Azure, яка демонструє незалежну та відкриту природу Watson OpenScale. IBM Watson OpenScale — це відкрите середовище, яке дозволяє організаціям автоматизувати та впроваджувати свій штучний інтелект. Він забезпечує потужну платформу для керування моделями штучного інтелекту та машинного навчання в IBM Cloud або там, де вони можуть бути розгорнуті, і пропонує такі переваги:

Відкритий за проектом: Watson OpenScale дозволяє контролювати та керувати моделями машинного навчання та глибокого навчання, створеними з використанням будь-яких фреймворків або IDE та розгорнутими на будь-якому механізмі розміщення моделей.

Зробіть більш справедливі результати: Watson OpenScale виявляє та допомагає пом’якшити упередження моделі, щоб висвітлити проблеми справедливості. Платформа надає звичайне текстове пояснення діапазонів даних, на які вплинуло упередження в моделі, і візуалізації, які допомагають науковцям з даних і бізнес-користувачам зрозуміти вплив на результати бізнесу. У міру виявлення упереджень Watson OpenScale автоматично створює супутню модель зі зміщенням, яка працює поруч із розгорнутою моделлю, таким чином переглядаючи очікувані більш справедливі результати для користувачів без заміни оригіналу.

Пояснення транзакцій: Watson OpenScale допомагає підприємствам забезпечити прозорість і можливість аудиту в додатках, наповнених штучним інтелектом, створюючи пояснення для окремих транзакцій, які оцінюються, включаючи атрибути, які використовувалися для прогнозування та оцінки кожного атрибута.

Виконавши цей шаблон коду, ви зрозумієте, як:

• Підготуйте дані, навчіть модель і розгорніть за допомогою Azure
• Оцініть модель за допомогою зразків записів оцінки та кінцевої точки оцінювання
• Налаштуйте витримку даних Watson OpenScale
• Прив’яжіть модель Azure до витримки даних Watson OpenScale
• Додайте підписки на витримку даних
• Увімкніть реєстрацію корисного навантаження та моніторинг продуктивності для обох передплатних активів
• Використовуйте витримку даних для доступу до даних таблиць через підписку

Потік

1. Розробник створює записну книжку Jupyter, використовуючи дані з credit_risk_training.csv файлу.
2. Ноутбук Jupyter підключений до бази даних PostgreSQL, яка зберігає дані Watson OpenScale.
3. Модель машинного навчання створюється за допомогою Azure Machine Learning Studio та розгортається в хмарі.
4. Watson OpenScale використовується ноутбуком для реєстрації корисного навантаження та моніторингу продуктивності.

інструкції

Знайдіть докладні кроки для цього шаблону в файл readme. Ці кроки покажуть вам, як:

1. Клонувати сховище.
2. Створіть службу Watson OpenScale.
3. Створіть модель у Azure Machine Learning Studio.
4. Запустіть блокнот.