Argomento tradotto automaticamente È possibile passare alla versione inglese
Fare riferimento alla versione inglese (originale) per visualizzare una versione più accurata e aggiornata di questa documentazione. IBM non è responsabile di eventuali danni o perdite derivanti dall'uso di contenuti tradotti automaticamente (machine translation).
Utilizzo di AI Factsheets per AI Governance
Ultimo aggiornamento: 28 nov 2024
Utilizzo di AI Factsheets per AI Governance
Tieni traccia di un modello di machine learning dalla richiesta alla produzione raccogliendo i metadati e i fatti relativi al ciclo di vita del modello utilizzando i AI Factsheets. Utilizzare le informazioni dettagliate nelle schede informative per tenere informati gli stakeholder e per raggiungere gli obiettivi di governance e conformità. I fogli di factsheet possono essere condivisi, archiviati o stampati come report.
Gestione della governance con AI Factsheets
Copy link to section
Prima di sviluppare una soluzione AI, è necessario definire il caso di utilizzo aziendale e quindi gestire lo sviluppo, il test e la distribuzione della soluzione. È possibile gestire e gestire il flusso di informazioni creando un caso d'uso del modello, che definisce gli obiettivi del modello. Quando il modello viene approvato e lo sviluppo viene avviato, tenere traccia degli asset nel caso di utilizzo, acquisendo tutti i dati rilevanti con AI Factsheets. Visualizzare a colpo d'occhio quali modelli sono in produzione e quali necessitano di sviluppo o convalida. Utilizzare le funzioni di governance per stabilire processi per gestire il flusso di comunicazione dai data scientist agli amministratori ModelOps .
Nota: solo i modelli che vengono aggiunti ai casi di utilizzo vengono tracciati con AI Factsheets. È possibile controllare quali modelli tracciare per un'organizzazione senza tenere traccia degli esempi e di altri modelli non significativi per l'organizzazione.
Definizione di casi di utilizzo in un inventario del modello
Copy link to section
L'inventario del modello è una vista in cui è possibile definire un caso di utilizzo per richiedere un nuovo modello, quindi tenere traccia del modello e degli asset correlati nel suo ciclo di vita. Un flusso tipico potrebbe essere il seguente:
Un utente aziendale identifica la necessità di un modello di machine learning e crea un caso di utilizzo del modello per richiedere un nuovo modello. Il proprietario dell'azienda assegna un nome e indica i parametri di base per il modello richiesto.
Quando la richiesta viene salvata, viene creato un caso di utilizzo modello nell'inventario. Inizialmente, il caso di utilizzo si trova nello stato In attesa di sviluppo perché non vi sono asset da accompagnare alla richiesta.
Quando un data scientist crea un modello per il business case, tiene traccia del modello dalla pagina dei dettagli del modello del progetto o dello spazio e lo associa al caso di utilizzo del modello.
Il caso di utilizzo del modello nell'inventario può ora essere spostato in stato In corso e le parti interessate possono esaminare gli asset per il caso di utilizzo, che ora includono il modello.
Mentre il modello avanza nel ciclo di vita, il caso di utilizzo del modello e il factsheet AI riflettono tutti gli aggiornamenti, incluse le distribuzioni e gli asset di dati di input.
I validator e altri stakeholder possono esaminare i casi di utilizzo del modello per garantire la conformità con i protocolli aziendali e per visualizzare e certificare l'avanzamento del modello dallo sviluppo alla produzione.
Casi di utilizzo ed esercitazioni
Copy link to section
AI Factsheets fa parte della raccolta di strumenti e funzionalità di data fabric di IBMper la gestione e l'automazione dei dati e del ciclo di vita AI. Per i dettagli su come il data fabric può supportare gli obiettivi di governance in modo pratico, consultare Casi di utilizzo. Per i casi di utilizzo e le esercitazioni reali per l'utilizzo di AI Factsheets per orchestrare le soluzioni AI, consultare:
Il caso d'uso governance AI fornisce il contesto per il modo in cui ModelOps può integrarsi con la governance AI per fornire un piano completo per tenere traccia degli asset di machine learning nella propria organizzazione.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.