使用 Watson OpenScale 监控 Sagemaker 机器学习

总结

此 Code Pattern 描述了一种通过使用 Watson OpenScale 和 SageMaker 机器学习模型获得洞察力的方法。 它解释了如何使用 Amazon SageMaker 和来自 加州大学欧文分校机器学习数据库. 该模式使用 Watson OpenScale 绑定部署在 AWS 云中的机器学习模型、创建订阅并执行有效负载和反馈日志记录。

产品描述

借助 Watson OpenScale，无论模型托管在何处，您都可以监控模型质量并记录有效负载。 此 Code Pattern 使用 Amazon Web Service (AWS) SageMaker 模型的示例，该模型展示了 Watson OpenScale 的独立和开放性质。 IBM Watson OpenScale 是一个开放环境，使组织能够自动化和操作他们的 AI。 OpenScale 提供了一个强大的平台来管理 IBM Cloud 上或任何可能部署的 AI 和机器学习模型，并提供以下优势：

通过设计开放：Watson OpenScale允许监视和管理使用任何框架或IDE构建并部署在任何模型托管引擎上的机器学习和深度学习模型。

推动更公平的结果：Watson OpenScale可以检测并帮助减轻模型偏差以突出公平问题。 该平台以纯文本形式说明了受到模型偏差和可视化影响的数据范围，以帮助数据科学家和业务用户了解对业务结果的影响。 当检测到偏差时，Watson OpenScale会自动创建在已部署模型旁边运行的去偏差伴侣模型，从而向用户预览预期的更公平结果，而无需替换原始模型。

解释交易：Watson OpenScale通过为要计分的单个交易生成解释（包括用于进行每个属性的预测和权重的属性）来帮助企业为注入AI的应用程序带来透明度和可审计性。

自动创建 AI：神经网络合成 (NeuNetS)，目前作为测试版提供，通过从根本上为给定数据集构建定制设计来合成神经网络。 在测试版中，NeuNetS 支持图像和文本分类模型。 NeuNetS 减少了设计和训练自定义神经网络所需的时间并降低了技能障碍，从而使非技术主题专家能够接触到神经网络，并提高数据科学家的工作效率。

完成此代码模式后，您将了解如何：

• 使用 AWS SageMaker 准备数据、训练模型和部署
• 使用样本评分记录和评分终点对模型评分
• 设置Watson OpenScale数据集市
• 将 SageMaker 模型绑定到 Watson OpenScale 数据集市
• 将订阅添加到数据集市
• 为两个已订阅资产启用有效负载日志记录和性能监视
• 使用数据集市通过订阅访问表数据

自动化流程

1. 开发人员使用来自 UCI机器学习数据库.
2. Jupyter Notebook连接到存储Watson OpenScale数据的PostgreSQL数据库。
3. 机器学习模型使用 AWS SageMaker 创建并部署到云中。
4. 笔记本使用 Watson Open Scale 来记录有效负载并监控性能。

说明

在中找到此模式的详细步骤 自述文件。 这些步骤说明了如何：

1. 克隆存储库。
2. 为PostgreSQL数据库创建一个Compose。
3. 创建一个Watson OpenScale服务。
4. 运行笔记本。