Toute partie ou administrateur disposant d'un accès collaborateur à l'expérimentation peut surveiller l'expérimentation et enregistrer une copie du modèle.
Au fur et à mesure de l'exécution de l'expérimentation, vous pouvez vérifier la progression de l'expérimentation. Une fois l'entraînement terminé, vous pouvez afficher vos résultats, sauvegarder et déployer le modèle, puis le tester avec de nouvelles données.
Surveillance de l'expérimentation
Lorsque toutes les parties exécutent le script de connecteur de partie, l'expérimentation démarre automatiquement l'entraînement. Au fur et à mesure de l'exécution de l'entraînement, vous pouvez afficher un diagramme dynamique de la progression de l'entraînement. Pour chaque cycle d'entraînement, vous pouvez visualiser les quatre étapes d'un cycle d'entraînement:
- Envoi d'un modèle: L'apprentissage fédéré envoie les métriques du modèle à chaque partie.
- Entraînement: processus d'entraînement des données en local. Chaque partie s'entraîne pour produire un modèle local fusionné. Aucune donnée n'est échangée entre les parties.
- Modèles de réception: une fois l'apprentissage terminé, chaque partie envoie son modèle local à l'agrégateur. Les données ne sont pas envoyées et restent privées.
- Agrégation: L'agrégateur combine les modèles envoyés par chacune des parties distantes pour créer un modèle agrégé.
Enregistrement de votre modèle
Une fois l'entraînement terminé, un tableau affichant la précision du modèle au cours de chaque cycle d'entraînement est créé. Survolez les points du graphique pour plus d'informations sur les métriques exactes d'un point.
Un tableau Cycles d'entraînement affiche les détails de chaque cycle d'entraînement. Le tableau affiche la précision moyenne des parties participantes de leur entraînement de modèle pour chaque tour.
Lorsque vous avez terminé votre consultation, cliquez sur Sauvegarder le modèle dans le projet pour sauvegarder le modèle d'apprentissage fédéré dans votre projet.
Réexécuter l'expérimentation
Vous pouvez réexécuter l'expérimentation autant de fois que nécessaire dans votre projet.
Si vous rencontrez des erreurs lors de la réexécution d'une expérimentation, voir Identification et résolution des incidents pour plus de détails.
Déploiement de votre modèle
Après avoir enregistré votre modèle d'apprentissage fédéré, vous pouvez le déployer et le noter comme d'autres modèles d'apprentissage automatique dans une plateforme watsonx.ai Studio.
Pour plus d'informations, voir Déploiement de modèles .
Rubrique parent: Création d'une expérimentation d'apprentissage fédéré