واٹسن اوپن اسکیل کے ساتھ سیج میکر مشین لرننگ کی نگرانی کریں۔

خلاصہ

This code pattern describes a way to gain insights by using Watson OpenScale and a SageMaker machine learning model. It explains how to create a logistic regression model using Amazon SageMaker with data from the UC Irvine machine learning database. The pattern uses Watson OpenScale to bind the machine learning model deployed in the AWS cloud, create a subscription, and perform payload and feedback logging.

Description

With Watson OpenScale, you can monitor model quality and log payloads, regardless of where the model is hosted. This code pattern uses the example of an Amazon Web Service (AWS) SageMaker model, which demonstrates the independent and open nature of Watson OpenScale. IBM Watson OpenScale is an open environment that enables organizations to automate and operationalize their AI. OpenScale provides a powerful platform for managing AI and machine learning models on the IBM Cloud or wherever they might be deployed and offers these benefits:

ڈیزائن کے لحاظ سے کھولیں: واٹسن اوپن اسکیل مشین لرننگ اور ڈیپ لرننگ ماڈلز کی نگرانی اور انتظام کی اجازت دیتا ہے جو کسی بھی فریم ورک یا IDEs کا استعمال کرتے ہوئے بنائے گئے ہیں اور کسی بھی ماڈل ہوسٹنگ انجن پر تعینات ہیں۔

بہتر نتائج حاصل کریں: واٹسن اوپن اسکیل منصفانہ مسائل کو اجاگر کرنے کے لیے ماڈل کے تعصبات کا پتہ لگاتا ہے اور اس میں کمی کرنے میں مدد کرتا ہے۔ یہ پلیٹ فارم ڈیٹا رینجز کی سادہ متن کی وضاحت فراہم کرتا ہے جو ماڈل اور تصورات میں تعصب سے متاثر ہوئے ہیں جو ڈیٹا سائنسدانوں اور کاروباری صارفین کو کاروباری نتائج پر پڑنے والے اثرات کو سمجھنے میں مدد کرتے ہیں۔ جیسے ہی تعصبات کا پتہ چل جاتا ہے، واٹسن اوپن اسکیل خود بخود ایک غیر جانبدار ساتھی ماڈل بناتا ہے جو متعین ماڈل کے ساتھ چلتا ہے، اس طرح اصل کو بدلے بغیر صارفین کے لیے متوقع بہتر نتائج کا پیش نظارہ کرتا ہے۔

لین دین کی وضاحت کریں: Watson OpenScale انٹرپرائزز کو انفرادی ٹرانزیکشنز کے سکور کیے جانے کے لیے وضاحتیں پیدا کر کے AI سے متاثرہ ایپلی کیشنز میں شفافیت اور آڈٹ ایبلٹی لانے میں مدد کرتا ہے، بشمول وہ صفات جو ہر ایک وصف کی پیشین گوئی اور وزن بنانے کے لیے استعمال کیے گئے تھے۔

Automate the creation of AI: Neural Network Synthesis (NeuNetS), currently available as a beta, synthesizes neural networks by fundamentally architecting a custom design for a given data set. In the beta, NeuNetS supports image and text classification models. NeuNetS reduces the time and lowers the skill barrier required to design and train custom neural networks, thereby putting neural networks within the reach of non-technical subject matter experts, as well as making data scientists more productive.

جب آپ یہ کوڈ پیٹرن مکمل کر لیں گے، تو آپ سمجھ جائیں گے کہ کیسے:

• Prepare data, train a model, and deploy using AWS SageMaker
• نمونہ اسکورنگ ریکارڈز اور اسکورنگ اینڈ پوائنٹ کا استعمال کرتے ہوئے ماڈل کو اسکور کریں۔
• واٹسن اوپن اسکیل ڈیٹا مارٹ قائم کریں۔
• Bind the SageMaker model to the Watson OpenScale data mart
• ڈیٹا مارٹ میں سبسکرپشنز شامل کریں۔
• سبسکرائب کردہ دونوں اثاثوں کے لیے پے لوڈ لاگنگ اور کارکردگی کی نگرانی کو فعال کریں۔
• سبسکرپشن کے ذریعے ٹیبل ڈیٹا تک رسائی کے لیے ڈیٹا مارٹ کا استعمال کریں۔

روانی

1. ڈویلپر سے ڈیٹا کا استعمال کرتے ہوئے ایک Jupyter نوٹ بک بناتا ہے۔ UCI machine learning database.
2. Jupyter Notebook پوسٹگری ایس کیو ایل ڈیٹا بیس سے منسلک ہے جو واٹسن اوپن اسکیل ڈیٹا کو اسٹور کرتا ہے۔
3. A machine learning model is created using AWS SageMaker and deployed to the cloud.
4. Watson Open Scale is used by the notebook to log the payload and monitor performance.

ہدایات

میں اس پیٹرن کے لیے تفصیلی اقدامات تلاش کریں۔ ریڈمی فائل. اقدامات آپ کو دکھاتے ہیں کہ کیسے:

1. ذخیرہ کلون کریں۔
2. PostgreSQL ڈیٹا بیس کے لیے ایک کمپوز بنائیں۔
3. واٹسن اوپن اسکیل سروس بنائیں۔
4. نوٹ بک چلائیں۔