Az Azure gépi tanulásának nyomon követése a Watson OpenScale segítségével

Összegzésként

Ez a kódminta egy német hiteladatkészletet használ logisztikai regressziós modell létrehozásához az Azure használatával. A minta a Watson OpenScale segítségével köti össze az Azure-felhőben telepített gépi tanulási modellt, hozzon létre egy előfizetést, és hajtsa végre a hasznos terhelés és a visszajelzések naplózását.

Leírás

A Watson OpenScale segítségével figyelemmel kísérheti a modell minőségét és naplózhatja a hasznos terheket, függetlenül attól, hogy a modell hol található. Ez a kódminta egy Azure-modell példáját használja, amely bemutatja a Watson OpenScale független és nyitott természetét. Az IBM Watson OpenScale egy nyílt környezet, amely lehetővé teszi a szervezetek számára mesterséges intelligencia automatizálását és működtetését. Hatékony platformot biztosít az AI és a gépi tanulási modellek kezelésére az IBM Cloudon vagy bárhol, ahol telepíthetőek, és a következő előnyöket kínálja:

Tervezés szerint nyitott: A Watson OpenScale lehetővé teszi a gépi tanulási és mély tanulási modellek nyomon követését és kezelését, amelyek bármilyen keretrendszer vagy IDE felhasználásával készültek, és bármely modellgazdamotoron telepíthetők.

Tisztességesebb eredmények elérése: A Watson OpenScale észleli és segít enyhíteni a modell torzításait, hogy kiemelje a méltányossági problémákat. A platform egyszerű szöveges magyarázatot ad azokról az adattartományokról, amelyeket a modell torzítása befolyásolt, valamint olyan vizualizációkat, amelyek segítenek az adattudósoknak és az üzleti felhasználóknak megérteni az üzleti eredményekre gyakorolt ​​hatást. Amint a torzítások észlelhetők, a Watson OpenScale automatikusan létrehoz egy torzításmentes kísérőmodellt, amely a telepített modell mellett fut, így az eredeti modell cseréje nélkül megtekintheti a várható igazságosabb eredményeket a felhasználók számára.

Tranzakciók magyarázata: A Watson OpenScale segít a vállalatoknak átláthatóságot és auditálhatóságot biztosítani az MI-vel átitatott alkalmazásokhoz azáltal, hogy magyarázatokat generál az egyes pontozott tranzakciókhoz, beleértve az egyes attribútumok előrejelzéséhez és súlyozásához használt attribútumokat is.

Ha befejezte ezt a kódmintát, megérti, hogyan kell:

• Adatok előkészítése, modell betanítása és üzembe helyezése az Azure használatával
• Pontozza a modellt a mintapontozási rekordok és a pontozási végpont segítségével
• Hozzon létre egy Watson OpenScale adatpiacot
• Kösse az Azure-modellt a Watson OpenScale adatpiachoz
• Adjon hozzá előfizetéseket az adatpiachoz
• Engedélyezze a hasznos tehernaplózást és a teljesítményfigyelést mindkét előfizetett eszköz számára
• A Data mart használatával előfizetésen keresztül érheti el a táblák adatait

Folyik

1. A fejlesztő egy Jupyter Notebookot hoz létre a következőből származó adatok felhasználásával credit_risk_training.csv fájlt.
2. A Jupyter Notebook egy PostgreSQL adatbázishoz csatlakozik, amely a Watson OpenScale adatokat tárolja.
3. A gépi tanulási modell az Azure Machine Learning Studio használatával jön létre, és üzembe helyezi a felhőben.
4. A Watson OpenScale-t a notebook a hasznos terhelés naplózására és a teljesítmény figyelésére használja.

Utasítás

A minta részletes lépéseit megtalálja a readme fájl. A lépések megmutatják, hogyan kell:

1. A tár klónozása.
2. Hozzon létre egy Watson OpenScale szolgáltatást.
3. Hozzon létre egy modellt az Azure Machine Learning Stúdióban.
4. Futtassa a notebookot.

Forrás: https://developer.ibm.com/patterns/monitor-azure-machine-learning-studio-models-with-ai-openscale/