使用 Watson OpenScale 监控 Azure 机器学习  

使用 Azure 创建机器学习模型,并使用 Watson OpenScale 监控负载日志和公平性

Description

此 Code Pattern 借助虚构的销售数据,使用 Azure 来创建逻辑回归模型。本 Code Pattern 使用 Watson OpenScale 绑定部署在 Azure 云中的机器学习模型,创建订阅,并执行负载和反馈日志记录。

概览

通过使用 Watson OpenScale,无论模型托管在何处,您都可以监控模型质量和日志有效负载。本 Code Pattern 使用 Azure 模型的示例,演示了 Watson OpenScale 的独立性和开放性。IBM Watson OpenScale 是一个开放式环境,帮助组织机构等自动化和运作其 AI。它提供了一个功能强大的平台,用于管理 IBM Cloud 或其他任何环境中部署的 AI 和机器学习模型,并提供以下优势:

开放式设计:Watson OpenScale 支持监控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。

提升结果公平性:Watson OpenScale 可检测并帮助缓解模型偏差,突出公平问题。该平台提供了受模型偏差影响的数据范围的纯文本解释,并通过可视化功能帮助数据科学家和业务用户了解对业务成果造成的影响。在检测到偏差时,Watson OpenScale 会自动创建一个在已部署模型之外运行的去偏差伴随模型,从而在不替换原始模型的情况下预览用户期望的更公平的结果。

解释事务:Watson OpenScale 通过为正在评分的单个事务生成解释,包括用于对每个属性进行预测和加权的属性,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) 目前提供了测试版,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 可缩短时间并降低设计和训练定制神经网络必需的技能门槛,从而将神经网络交到非技术主题专家的手中,并使数据科学家的工作更富成效。

完成本 Code Pattern 后,您将掌握如何:

  • 使用 Azure 来准备数据、训练模型并加以部署
  • 使用样本评分记录和评分终端对模型进行评分
  • 设置 Watson OpenScale 数据集市
  • 将 Azure 模型绑定到 Watson OpenScale 数据集市
  • 向数据集市添加订阅
  • 为两个订阅的资产启用负载日志记录和性能监控
  • 使用数据集市通过订阅来访问表数据

  1. 开发人员使用 GoSales_Tx 中的数据创建 Jupyter Notebook。
  2. 将 Jupyter Notebook 连接到存储 Watson OpenScale 数据的 PostgreSQL 数据库。
  3. 使用 Azure Machine Learning Studio 创建机器学习模型并将其部署到云端。
  4. Notebook 使用 Watson OpenScale 来记录有效负载并监控性能。

Instructions

可以在 README.md 中找到本 Pattern 的详细步骤。这些步骤将展示如何:

  1. 克隆该存储库。
  2. 创建一个 Compose for PostgreSQL 数据库。
  3. 创建 Watson OpenScale 服务。
  4. 运行 Notebook。

相关博客

相关链接

英文原文

本 Code Pattern 翻译自:Monitor Azure machine learning with Watson OpenScale(2019-01-30)

Watson OpenScale

可在整个生命周期内运行 AI 并实现自动化的开放式平台。

IBM Cloud

一个横跨公共、私有和混合环境的全栈式云平台。