Monitore o aprendizado de máquina do Azure com o Watson OpenScale

Resumo

Esse padrão de código usa dados de vendas fictícios para criar um modelo de regressão logística usando o Azure. O padrão usa o Watson OpenScale para ligar o modelo de aprendizado de máquina implementado na nuvem do Azure, criar uma assinatura e executar a criação de log de carga útil e feedback.

Descrição

Com o Watson OpenScale, é possível monitorar a qualidade do modelo e registrar as cargas úteis, independentemente de onde o modelo está hospedado. Esse padrão de código usa um exemplo de um modelo do Azure, que demonstra a natureza independente e aberta do Watson OpenScale. O IBM Watson OpenScale é um ambiente aberto que permite que as organizações automatizem e operacionalizem suas IAs. Ele fornece uma poderosa plataforma para gerenciar os modelos de IA e de aprendizado de máquina no IBM Cloud, ou onde quer que eles possam ser implementados, e oferece estes benefícios:

Design aberto: o Watson OpenScale permite o monitoramento e o gerenciamento de modelos de aprendizado de máquina e deep learning criados usando quaisquer estruturas ou IDEs e implementados em qualquer mecanismo de hospedagem de modelo.

Conduz a resultados mais justos: o Watson OpenScale detecta e ajuda a minimizar propensões do modelo, destacando problemas de imparcialidade. A plataforma fornece explicação com texto sem formatação sobre os intervalos de dados que foram impactados pela propensão no modelo e visualizações que ajudam cientistas de dados e usuários corporativos a entender o impacto sobre os resultados de negócios. À medida que as propensões são detectadas, o Watson OpenScale cria automaticamente um modelo imparcial relacionado que é executado ao lado do modelo implementado, antevendo, assim, os resultados mais justos esperados para os usuários sem substituir o original.

Explicação das transações: o Watson OpenScale ajuda as empresas a trazer transparência e auditabilidade para aplicativos capacitados com IA, gerando explicações para transações individuais que estão sendo pontuadas, incluindo os atributos que foram usados para fazer a predição e a ponderação de cada atributo.

Ao concluir este padrão de código, você entenderá como:

  • Preparar dados, treinar um modelo e implementar usando o Azure
  • Pontuar o modelo usando registros de pontuação de amostra e o terminal de pontuação
  • Configurar um data mart do Watson OpenScale
  • Vincular o modelo do Azure ao data mart do Watson OpenScale
  • Incluir assinaturas no data mart
  • Ativar a criação de log de carga útil e o monitoramento de desempenho para ambos os ativos inscritos
  • Usar o data mart para acessar dados de tabelas por meio de assinatura

Fluxo

fluxograma de aprendizado de máquina do Azure

  1. O desenvolvedor cria um Jupyter Notebook usando dados de GoSales_Tx.
  2. O Jupyter Notebook é conectado a um banco de dados PostgreSQL que armazena os dados do Watson OpenScale.
  3. Um modelo de aprendizado de máquina é criado usando o Azure Machine Learning Studio e implementado na nuvem.
  4. O Watson OpenScale é usado pelo bloco de notas para registrar a carga útil e monitorar o desempenho.

Instruções

Localize as etapas detalhadas para esse padrão no leia-me. As etapas mostrarão a você como:

  1. Clonar o repositório.
  2. Criar um banco de dados Compose for PostgreSQL.
  3. Criar um serviço Watson OpenScale.
  4. Executar os blocos de notas.
Legend