Контролюйте машинне навчання Sagemaker за допомогою Watson OpenScale

Підсумки

Цей шаблон коду описує спосіб отримання інформації за допомогою Watson OpenScale і моделі машинного навчання SageMaker. Тут пояснюється, як створити модель логістичної регресії за допомогою Amazon SageMaker з даними з База даних машинного навчання UC Irvine. Патерн використовує Watson OpenScale для зв’язування моделі машинного навчання, розгорнутої в хмарі AWS, 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 розміщено модель. Цей шаблон коду використовує приклад моделі Amazon Web Service (AWS) SageMaker, яка демонструє незалежний і відкритий характер Watson OpenScale. IBM Watson OpenScale — це відкрите середовище, яке дозволяє організаціям автоматизувати та вводити в дію свій ШІ. OpenScale надає потужну платформу для керування моделями штучного інтелекту та машинного навчання в IBM Cloud або будь-де, 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.

Автоматизуйте створення штучного інтелекту: Neural Network Synthesis (NeuNetS), який наразі доступний у бета-версії, синтезує нейронні мережі шляхом фундаментального проектування спеціального дизайну для певного набору даних. У бета-версії NeuNetS підтримує моделі класифікації зображень і тексту. NeuNetS скорочує час і знижує кваліфікаційний бар’єр, необхідний для проектування та навчання власних нейронних мереж, таким чином роблячи нейронні мережі доступними для експертів із нетехнічних предметів, а також роблячи науковців з даних більш продуктивними.

Коли ви завершите цей шаблон коду, ви зрозумієте, як:

• Підготуйте дані, навчіть модель і розгорніть її за допомогою AWS SageMaker
• Оцініть модель за допомогою зразків записів оцінки та кінцевої точки оцінювання
• Налаштуйте витримку даних Watson OpenScale
• Прив’яжіть модель SageMaker до вітрини 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 База даних машинного навчання UCI.
2. Ноутбук Jupyter підключений до бази даних PostgreSQL, яка зберігає дані Watson OpenScale.
3. Модель машинного навчання створюється за допомогою AWS SageMaker і розгортається в хмарі.
4. Watson Open Scale використовується ноутбуком для реєстрації корисного навантаження та моніторингу продуктивності.

інструкції

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

1. Клонувати сховище.
2. Створіть Compose для бази даних PostgreSQL.
3. Створіть службу Watson OpenScale.
4. Запустіть зошити.