使用 IBM Cloud Pak for Data 中的 Watson OpenScale 监控机器学习模型  

构建一个用于监控和部署开源机器学习模型的应用程序

Description

本 Code Pattern 是使用 IBM Cloud Pak for Data、Data Virtualization、Watson OpenScale 和 Cognos Analyics 探索电信呼叫中断预测的系列 Code Pattern 的一部分。

现如今,企业越来越确信,AI 将在未来几年内成为其行业发展的推动力。为了成功地将 AI 注入您的产品或解决方案,就需要在企业内广泛应用 AI 并利用 AI 实现您的预期结果,而这个过程中存在诸多挑战。这些挑战可能包括:

  • 建立信任—— 由于 AI 具有“黑匣子”的性质,因此组织和企业通常对 AI 持怀疑态度,从而导致许多很有前景的模型无法投入生产。
  • 算法偏差—— AI 系统的另一个固有问题是,它们的好坏取决于用于训练它们的数据。如果输入数据中充满种族、性别、社区或民族偏见,那么模型的准确性最终将逐渐消失。
  • 使决策具有可解释性—— 模型如何证明其决策背后的原因?通过全面跟踪任何 AI 驱动的应用程序的输入和输出,可以完整解释 AI 的结果,这一点至关重要。

概览

在本 Code Pattern 中,您将了解如何使用 IBM Cloud Pak for Data 中的 Watson OpenScale 在应用程序中监控 AI 模型。我们将使用一个电信呼叫中断预测模型示例。用户完成本 Code Pattern 后,将会掌握如何:

  • 使用开源技术在 Watson Machine Learning 中存储自定义模型
  • 部署模型并将模型部署连接到 IBM Cloud Pak for Data 和 IBM Cloud 上的 Watson OpenScale
  • 使用 Python Notebook,通过 IBM Cloud Pak for Data 和 IBM Cloud 上的 Watson OpenScale 来设置模型公平性和模型质量监视器
  • 在 IBM Cloud Pak for Data 上创建项目和设置 Python Notebook

  1. 数据已存储在 Cloud Pak for Data 内部数据库中。
  2. 合并后的数据将重新存储到 IBM Cloud Pak for Data 的内部数据库中,并且分配给当前工作项目。
  3. 使用 Jupyter Python Notebook 创建机器学习模型以预测呼叫中断(每次预测一个手机信号塔)。
  4. 在 Watson Machine Learnin 中训练和/或存储的模型,此模型也连接到 Watson OpenScale。
  5. 为每个手机信号塔的模型配置公平性、质量和可解释性监视器,并在 IBM Cloud Pak for Data 或其他外部云(多云架构)中显示这些监视器。

Instructions

可以在 README 中找到本 Code Pattern 的详细步骤。 这些步骤将展示如何:
  1. 创建 Watson Machine Learning 实例。
  2. 在 IBM Cloud Pak for Data 中创建一个新项目。
  3. 将数据集上载到 IBM Cloud Pak for Data。
  4. 将 Notebook 导入到 IBM Cloud Pak for Data。
  5. 按照 Notebook 中的步骤进行操作。
  6. 在 Watson OpenScale 中显示部署。
  7. 查看 Watson OpenScale 的其他用例。

相关博客

相关链接

英文原文

本 Code Pattern 翻译自:Monitor your machine learning models using Watson OpenScale in IBM Cloud Pak for Data (2019-10-15)。

Privacy Preference Center

Close your account?

Your account will be closed and all data will be permanently deleted and cannot be recovered. Are you sure?