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
- 开发人员使用来自 UCI机器学习数据库.
- Jupyter Notebook连接到存储Watson OpenScale数据的PostgreSQL数据库。
- 机器学习模型使用 AWS SageMaker 创建并部署到云中。
- 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:
- 克隆存储库。
- 为PostgreSQL数据库创建一个Compose。
- 创建一个Watson OpenScale服务。
- 运行笔记本。