Giám sát việc học máy của Sagemaker với Watson OpenScale

Tổng kết

Mẫu mã này mô tả một cách để có được thông tin chi tiết bằng cách sử dụng Watson OpenScale và mô hình học máy SageMaker. Nó giải thích cách tạo mô hình hồi quy logistic bằng Amazon SageMaker với dữ liệu từ Cơ sở dữ liệu máy học UC Irvine. Mẫu sử dụng Watson OpenScale để liên kết mô hình học máy được triển khai trong đám mây AWS, tạo đăng ký và thực hiện tải trọng và ghi nhật ký phản hồi.

Mô tả

Với Watson OpenScale, bạn có thể theo dõi chất lượng mô hình và ghi nhật ký tải trọng, bất kể mô hình được lưu trữ ở đâu. Mẫu mã này sử dụng ví dụ về mô hình Amazon Web Service (AWS) SageMaker, mô hình này thể hiện bản chất độc lập và mở của Watson OpenScale. IBM Watson OpenScale là một môi trường mở cho phép các tổ chức tự động hóa và vận hành AI của họ. OpenScale cung cấp một nền tảng mạnh mẽ để quản lý AI và các mô hình học máy trên Đám mây của IBM hoặc bất cứ nơi nào chúng có thể được triển khai và mang lại những lợi ích sau:

Mở theo thiết kế: Watson OpenScale cho phép giám sát và quản lý các mô hình học máy và học sâu được xây dựng bằng bất kỳ khuôn khổ hoặc IDE nào và được triển khai trên bất kỳ công cụ lưu trữ mô hình nào.

Thúc đẩy kết quả công bằng hơn: Watson OpenScale phát hiện và giúp giảm thiểu các thành kiến ​​của mô hình để làm nổi bật các vấn đề công bằng. Nền tảng cung cấp giải thích bằng văn bản thuần túy về các phạm vi dữ liệu đã bị ảnh hưởng bởi sự sai lệch trong mô hình và hình ảnh hóa giúp các nhà khoa học dữ liệu và người dùng doanh nghiệp hiểu được tác động đến kết quả kinh doanh. Khi phát hiện thành kiến, Watson OpenScale tự động tạo mô hình đồng hành khử thành kiến ​​chạy bên cạnh mô hình đã triển khai, do đó xem trước kết quả mong đợi công bằng hơn cho người dùng mà không cần thay thế mô hình ban đầu.

Giải thích các giao dịch: Watson OpenScale giúp các doanh nghiệp mang lại tính minh bạch và khả năng kiểm tra cho các ứng dụng sử dụng AI bằng cách tạo ra các giải thích cho các giao dịch riêng lẻ được cho điểm, bao gồm các thuộc tính được sử dụng để đưa ra dự đoán và trọng số của từng thuộc tính.

Tự động hóa việc tạo ra AI: Tổng hợp mạng thần kinh (NeuNetS), hiện có sẵn dưới dạng bản beta, tổng hợp các mạng thần kinh bằng cách cấu trúc cơ bản một thiết kế tùy chỉnh cho một tập dữ liệu nhất định. Trong bản beta, NeuNetS hỗ trợ các mô hình phân loại hình ảnh và văn bản. NeuNetS giảm thời gian và giảm rào cản kỹ năng cần thiết để thiết kế và đào tạo mạng nơ-ron tùy chỉnh, do đó đặt mạng nơ-ron trong tầm với của các chuyên gia về vấn đề không liên quan đến kỹ thuật, cũng như giúp các nhà khoa học dữ liệu làm việc hiệu quả hơn.

Khi bạn đã hoàn thành mẫu mã này, bạn sẽ hiểu cách:

• Chuẩn bị dữ liệu, đào tạo mô hình và triển khai bằng AWS SageMaker
• Cho điểm mô hình bằng cách sử dụng các bản ghi điểm mẫu và điểm cuối cho điểm
• Thiết lập siêu thị dữ liệu Watson OpenScale
• Liên kết mô hình SageMaker với siêu thị dữ liệu Watson OpenScale
• Thêm đăng ký vào data mart
• Bật ghi nhật ký tải trọng và giám sát hiệu suất cho cả nội dung đã đăng ký
• Sử dụng data mart để truy cập dữ liệu bảng thông qua đăng ký

Dòng chảy

1. Nhà phát triển tạo một Máy tính xách tay Jupyter bằng cách sử dụng dữ liệu từ Cơ sở dữ liệu máy học UCI.
2. Máy tính xách tay Jupyter được kết nối với cơ sở dữ liệu PostgreSQL lưu trữ dữ liệu Watson OpenScale.
3. Một mô hình học máy được tạo bằng AWS SageMaker và được triển khai lên đám mây.
4. Máy tính xách tay sử dụng Watson Open Scale để ghi lại tải trọng và theo dõi hiệu suất.

Hướng Dẫn

Tìm các bước chi tiết cho mẫu này trong tệp readme. Các bước hướng dẫn bạn cách:

1. Sao chép kho lưu trữ.
2. Tạo một Soạn cho cơ sở dữ liệu PostgreSQL.
3. Tạo một dịch vụ Watson OpenScale.
4. Chạy các sổ ghi chép.