Translation not up to date
Produkty Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog udostępniają zintegrowane narzędzia, które są potrzebne do zarządzania ModelOps dla organizacji. Za pomocą tych narzędzi można współużytkować zasoby danych w składniku składników (katalog), śledzić modele i zarządzać nimi w zasobach modelu, przeglądać szczegóły modelu w powiązanych arkuszach, monitorować wdrożenia pod kątem rzetelności i dokładności oraz automatyzować procesy w potoku.
Wyjaśnione ModelOps
ModelOps synchronizuje kadencje między potokami aplikacji i modelami. Opiera się ona na tych praktykach:
- DevOps -umożliwia tworzenie modelu uczenia maszynowego od tworzenia poprzez szkolenia, wdrażanie i produkcję.
- MLOps do zarządzania cyklem życia tradycyjnego modelu uczenia maszynowego, w tym ocena i przekwalifikowanie.
ModelOps rozszerza pozycję MLOps, tak aby uwzględniała nie tylko rutynowe wdrażanie modeli uczenia maszynowego, ale także ciągłe przekwalifikowanie, automatyczne aktualizowanie i synchronizowanie tworzenia i wdrażania bardziej złożonych modeli uczenia maszynowego. Aby uzyskać dodatkowe informacje na temat tworzenia strategii ModelOps , należy zapoznać się z następującymi zasobami:
- W sekcji Data science and MLOps use case opisano sposób zarządzania danymi, operacjonalizacją budowania modelu i wdrażania oraz ocenianiem uczciwości i wydajności modelu.
- przypadek użycia zarządzania sztuczną inteligencją udostępnia kontekst dla sposobu, w jaki ModelOps może mieć sieć z zarządzaniem sztuczną inteligencją, aby zapewnić kompleksowy plan śledzenia zasobów uczenia maszynowego w danej organizacji.
Narzędzia ModelOps
Cloud Pak for Data udostępnia te narzędzia pomocne przy użyciu programu ModelOps:
- Watson Knowledge Catalog służący do przechowywania i współużytkowania zasobów danych w składniku składników do wykorzystania w modelach uczenia maszynowego.
- Rurociągi służące do automatyzowania kompleksowego przepływu modelu uczenia maszynowego przez cykl życia AI.
- AI Factsheets służy do tworzenia scentralizowanego repozytorium arkuszy modelu w celu śledzenia cyklu życia modelu, w tym żądania, budowania, wdrażania i wartościowania modelu uczenia maszynowego. Użyj interfejsu AI Factsheets jako części strategii zarządzania sztuczną inteligencją.
- Watson OpenScale w celu oceny wdrożonych modeli, aby upewnić się, że wdrożone modele spełniają progi ustawione dla uczciwości i dokładności.
- Narzędzie interfejsu wiersza komend cpdctl służące do zarządzania i automatyzacji zasobów uczenia maszynowego udostępnianych w IBM Cloud Pak for Data as a Service (CPDaaS) przy użyciu narzędzia interfejsu wiersza komend cpdctl. Aby z łatwością połączyć się z komendami API cpdctl, należy użyć konfiguracji automatycznej z programu IBM Cloud .
Operacje modelu można rozszerzać za pomocą ofert multicloud, które optymalizują wykorzystanie modeli uczenia maszynowego w chmurach i umożliwiają integrację poprzez ciągłą integrację i ciągłe wdrażanie. Szczegółowe informacje na ten temat można znaleźć w sekcji Data Science for Multicloud ModelOps.
Współużytkowanie zasobów danych w składniku składników
Jeśli w organizacji używana jest usługa Watson Knowledge Catalog, katalog może służyć jako składnicę składników. Zasoby danych przechowywane w składniku składników zawierają funkcje, których można używać w modelach uczenia maszynowego, a następnie udostępniać je do współużytkowania w organizacji. Zasoby danych obejmują metadane dotyczące miejsca, w którym są używane w modelach. Katalogi mają kontrolowany dostęp do katalogu i poziomu zasobów danych. Szczegółowe informacje na ten temat można znaleźć w sekcji Zarządzanie i kurowanie danych.
Automatyzowanie ModelOps za pomocą Pipelines
Edytor IBM Watson Pipelines udostępnia graficzny interfejs, który umożliwia harmonizację kompleksowego przepływu zasobów aplikacyjnych od utworzenia do wdrożenia. Składanie i konfigurowanie potoku w celu tworzenia, uczenia, wdrażania i aktualizowania modeli uczenia maszynowego oraz skryptów Python . Prostsze i powtarzalne działanie procesu ModelOps . Szczegółowe informacje na ten temat można znaleźć w serwisie IBM Watson Pipelines.
Śledzenie modeli za pomocą interfejsu AI Factsheets
Komponent AI Factsheets umożliwia śledzenie modeli nauki danych w całej organizacji i zapisywanie szczegółów w katalogu. Wyświetlanie na pierwszy rzut oka, które modele są w produkcji, a które wymagają opracowania lub sprawdzenia poprawności. Funkcje zarządzania służą do ustanawiania procesów zarządzania przepływem komunikacji od danych naukowców do administratorów ModelOps . Szczegółowe informacje na ten temat można znaleźć w sekcji Model inventory and AI Factsheets.
Wartościowanie wdrożonych modeli
Użyj programu IBM Watson OpenScale , aby przeanalizować AI z zaufaniem i przejrzystością, a także zrozumieć, w jaki sposób modele AI podejmują decyzje. Wykrywanie i łagodzenie bias i dryftu. Zwiększ jakość i dokładność predykcji. Wyjaśnij transakcje i wykonaj analizę "co, jeśli".
Automatyzacja zarządzania zasobami i cyklem życia
Za pomocą klienta Watson Machine Learning Python można zautomatyzować cykl życia AI w notatniku. W tym przykładowym notatniku pokazano, jak:
- Pobierz zewnętrzny wyszkolony scikit-ucz się modelu ze zbiorem danych
- Utrwal model zewnętrzny w repozytorium Watson Machine Learning .
- Wdrażaj model oceniania online za pomocą biblioteki klienta
- Oceniaj przykładowe rekordy przy użyciu biblioteki klienta
- Aktualizuj wcześniej utrwalony model
- Ponowne wdrażanie modelu w miejscu
- Skalowanie wdrożenia
Alternatywnie, korzystając z programu IBM Cloud Pak for Data Command Line Interface (IBM cpdctl), można zarządzać ustawieniami konfiguracyjnymi i automatyzować przepływ na całej trasie, który obejmuje szkolenie modelu, zapisywanie go, tworzenie obszaru wdrażania i wdrażanie modelu. Szczegółowe informacje na ten temat zawiera dokumentacja IBM Cloud Pak for Data Command Line Interface . Przykład użycia cpdctl do eksportowania zasobów aplikacyjnych z obszaru zawiera sekcja Eksportowanie zasobów obszaru.
Typowy scenariusz ModelOps
Typowym scenariuszem ModelOps w programie Cloud Pak for Data może być:
- Organizowanie i kuratowanie zasobów danych w składniku składników
- Train a model za pomocą AutoAI
- Zapisz i wdróż model
- Śledzenie modelu w zasobach modelu , tak aby wszyscy współpracownicy mogli śledzić postęp modelu przez cykl życia i zapewnić zgodność ze standardami organizacyjnymi.
- Oceń wdrożenie dla bias
- Aktualizowanie wdrożenia za pomocą modelu wykonującego betterowanie
- Monitorowanie wdrożeń i zadań w organizacji
Zasoby dodatkowe
- Artykuł ModelOps Wikipedii
- Zapoznaj się z wypowiedzią w bloguModelOps.
- IBM Blog post on ModelOps dotyczący korzystania z ModelOps w celu kierowania wartością z inwestycji AI.
- Sprawdź, w jaki sposób firma IBM zajmuje się adresami ModelOps.
Temat nadrzędny: Wdrażanie modeli i zarządzanie nimi