Maratona Behind the Code 2020: Faça parte do Desafio. Inscreva-se até 7 de Agosto.

Monitore modelos do Watson Machine Learning com o Watson OpenScale

Resumo

Neste padrão de código, usamos dados de créditos da Alemanha para treinar, criar e implementar um modelo de aprendizado de máquina usando o Watson Machine Learning. Nós criamos um data mart para o modelo com o [Watson OpenScale] e o configuramos para monitorar a implementação. Também injetamos registros históricos e medições de sete dias para visualização no painel do OpenScale Insights.

Descrição

Quando concluir este padrão de código, você saberá como:

  • Criar e implementar um modelo de aprendizado de máquina usando o serviço Watson Machine Learning
  • Configurar um data mart do Watson OpenScale
  • Vincular o Watson Machine Learning ao data mart do Watson OpenScale
  • Adicionar assinaturas ao data mart
  • Ativar a criação de log de carga útil e o monitoramento de desempenho dos ativos assinados
  • Ativar o monitoramento de qualidade (precisão)
  • Ativar o monitoramento de imparcialidade
  • Pontuar o modelo de crédito alemão usando o Watson Machine Learning
  • Inserir cargas úteis históricas, métricas de imparcialidade e métricas de qualidade no data mart
  • Use o data mart para acessar dados de tabela por meio de assinatura

Fluxo

fluxo

  1. O desenvolvedor cria um notebook Jupyter no Watson Studio.
  2. O notebook Jupyter é conectado a um banco de dados PostgreSQL, que é usado para armazenar os dados do Watson OpenScale.
  3. O notebook é conectado ao Watson Machine Learning, e um modelo é treinado e implementado.
  4. O notebook usa o Watson OpenScale para criar o log da carga útil e monitorar o desempenho, a qualidade e a imparcialidade.

Instruções

Consulte as instruções detalhadas em README.