Translation not up to date
Watson Studio, Watson Machine Learning, Watson OpenScaleve Watson Knowledge Catalog , kuruluşunuz için ModelOps ' ü yönetmek için gereksinim duyduğunuz bütünleştirilmiş araçları sağlar. Bir özellik mağazasında (katalog) veri varlıklarını paylaşmak, model envanterindeki modelleri izlemek ve yönetmek, ilişkili faktsheets içinde model ayrıntılarını incelemek, adil ve doğru olmak üzere devreye alımları izlemek ve bir ardışık düzendeki süreçleri otomatikleştirmek için araçları kullanın.
ModelOps açıklanmıştır
ModelOps , uygulama ve model ardışık hatları arasındaki büyüklıkları uyumlulaştırır. Bu uygulama şu uygulamaları temel alır:
- Oluşturmadan eğitime, devreye almaya ve üretime kadar bir makine öğrenimi modelini getirmek için DevOps .
- Değerlendirme ve yeniden eğitim de dahil olmak üzere, geleneksel bir makine öğrenimi modelinin yaşam çevriminin yönetilmesi için MLOps.
ModelOps , MLOps uygulamasını yalnızca makine öğrenimi modellerinin rutin devreye alımını değil, aynı zamanda sürekli yeniden eğitim, otomatik güncelleme ve daha karmaşık makine öğrenimi modellerinin senkronize olarak geliştirilmesini ve devreye alınmasını da içerecek şekilde genişletir. ModelOps stratejisinin geliştirilmesine ilişkin ek ayrıntılar için bu kaynakları keşfedin:
- Veri bilimi ve MLOps kullanım senaryosu , verilerin nasıl yönetileceğini, model oluşturma ve devreye alma işlemlerinin nasıl gerçekleştirileceğini ve model adaletliğinin ve performansının nasıl değerlendirileceğini açıklar.
- Yapay zeka yönetişimi kullanım senaryosu , ModelOps ' un kuruluşunuzdaki makine öğrenimi varlıklarını izlemek için kapsamlı bir plan sağlamak üzere yapay zeka yönetişimi ile nasıl bir bütünlüğü sağlayabileceğine ilişkin bağlam sağlar.
ModelOps araçları
Cloud Pak for Data , ModelOpskonusunda size yardımcı olacak şu araçları sağlar:
- Makine öğrenimi modellerinde kullanılmak üzere bir özellik deposunda veri varlıklarının depolanması ve paylaşılması için Watson Knowledge Catalog .
- Yapay zeka yaşam çevrimi boyunca bir makine öğrenimi modelinin uçtan uca akışını otomatikleştirmek için ardışık çizgiler .
- Bir makine öğrenimi modelinin isteği, oluşturulması, devreye alınması ve değerlendirilmesi de dahil olmak üzere bir modelin yaşam çevrimini izlemek üzere model bilgi sayfalarının merkezi bir havuzunun oluşturulması için AI Factsheets . Yapay Zekâ Yönetişimi stratejinizin bir parçası olarak AI Factsheets uygulamasını kullanın.
- Devreye alınan modellerin adalet ve doğruluk için ayarlanmış eşikleri karşıladığından emin olmak üzere devreye alınan modellerin değerlendirilmesi için Watson OpenScale .
- cpdctl komut satırı arabirimi aracını kullanarak IBM Cloud Pak for Data as a Service (CPDaaS) üzerinde barındırılan makine öğrenimi varlıklarınızı yönetmek ve otomatikleştirmek için cpdctl komut satırı arabirimi aracı . cpdctl API komutlarıyla kolayca bağlantı kurmak için IBM Cloud otomatik yapılandırmasını kullanın.
Bulut ortamında makine öğrenimi modellerinin kullanımını optimize eden ve sürekli bütünleştirme ve sürekli devreye alma aracılığıyla bütünleştirme sağlayan çoklu bulut ürünleriyle model operasyonlarınızı genişletebilirsiniz. Ayrıntılar için Data Science for Multicloud ModelOpsbelgesine bakın.
Özellik deposunda veri varlıklarının paylaşılması
Kuruluşunuz Watson Knowledge Catalogolanağını kullanıyorsa, bir katalog bir özellik mağazası olarak hizmet verebilir. Bir özellik deposunda saklanan veri varlıkları, makine öğrenimi modellerinde kullanabileceğiniz ve daha sonra bunları kuruluşunuz çapında paylaşabileceğiniz özellikler içerir. Veri varlıkları, modellerde nerede kullanıldıklarına ilişkin meta verileri içerir. Kataloglar, katalog ve veri varlığı düzeyinde erişimi denetler. Ayrıntılar için Verileri yönetme ve yönetmekonusuna bakın.
Ardışık Düzen kullanarak ModelOps ' u otomatikleştirme
IBM Watson Pipelines düzenleyicisi, oluşturma aşamasından devreye almaya kadar uçtan uca varlık akışını düzenlemek için bir grafik arabirim sağlar. Makine öğrenimi modellerini ve Python komut dosyalarını oluşturmak, eğitmek, devreye almak ve güncellemek için bir ardışık düzen oluşturun ve yapılandırın. ModelOps sürecinizi daha basit ve yinelenebilir yapın. Ayrıntılar için bkz. IBM Watson Pipelines.
AI Factsheets ile modelleri izleme
AI Factsheets , kuruluş genelinde veri bilimi modellerini izlemenize ve ayrıntıları bir katalogda saklamanıza olanak sağlar. Hangi modellerin üretimde olduğunu ve hangilerinin geliştirme veya doğrulama gerektiğini bir bakışta görüntüleyin. Veri bilimcilerinden ModelOps yöneticilerine iletişim akışını yönetmek için süreçler oluşturmak üzere yönetişim özelliklerini kullanın. Ayrıntılar için Model inventory and AI Factsheetsbaşlıklı konuya bakın.
Devreye alınan modeller değerlendiriliyor
Yapay zekâyı güven ve şeffaflıkla analiz etmek ve yapay zeka modellerinizin nasıl karar verdiğini anlamak için IBM Watson OpenScale ürününü kullanın. Yanlılığı ve sürüklenimi saptayın ve azaltın. Tahminlerinizin kalitesini ve doğruluğunu artırın. İşlemleri açıklayın ve olasılık analizi gerçekleştirin.
Varlıkların ve yaşam çevriminin yönetilmesini otomatikleştirin
Watson Machine Learning Python istemcisini kullanarak yapay zeka yaşam çevrimini bir dizüstü bilgisayarda otomatikleştirebilirsiniz. Bu örnek not defteri aşağıda belirtilenlerin nasıl yapılacağını göstermektedir:
- Veri kümesiyle dışarıdan eğitilmiş bir scikit-learn modelini karşıdan yükleyin
- Watson Machine Learning havuzunda bir dış modeli kalıcı olarak saklama
- İstemci kitaplığını kullanarak çevrimiçi puanlama için modeli devreye al
- İstemci kitaplığını kullanarak örnek kayıtları puanlamanızı sağlar
- Daha önce kalıcı kılınmış bir modeli güncelle
- Bir modeli yerinde yeniden devreye al
- Devreye almayı ölçekleme
Alternatif olarak, IBM Cloud Pak for Data Komut Satırı Arabirimi 'ni (IBM cpdctl) kullanarak yapılandırma ayarlarını yönetebilir ve bir modelin eğitilmesini, kaydedilmesini, bir devreye alma alanı oluşturulmasını ve modelin devreye alınmasını içeren uçtan uca bir akışı otomatikleştirebilirsiniz. Ayrıntılar için IBM Cloud Pak for Data Command Line Interface belgelerine bakın. Bir alandan varlıkları dışa aktarmak için cpdctl kullanma örneği için Alan varlıklarını dışa aktarmabaşlıklı konuya bakın.
Tipik ModelOps senaryosu
Cloud Pak for Data içindeki tipik bir ModelOps senaryosu şöyle olabilir:
- Veri varlıklarını bir özellik deposunda düzenleme ve düzenleme
- AutoAIkullanarak bir modeli eğitin
- Modeli kaydedin ve konuşlandırın
- Tüm işbirliği yapanların yaşam çevrimi boyunca modelin ilerlemesini izleyebilmesi ve kuruluş standartlarıyla uyumluluğu sağlayabilmesi için model dökümünde modeli izleyin
- Konuşlandırmayı yöneltme için değerlendirin
- Devreye almayı daha iyi performans gösteren bir modelle güncelleyin
- Kuruluş genelinde devreye alımları ve işleri izleyin
Ek kaynaklar
- ModelOps Wikipedia makalesi
- ModelOps web günlüğü gönderisiniokuyun.
- Yapay zeka yatırımınızdan değer elde etmek için ModelOps ' un kullanılmasıyla ilgili IBM ModelOps web günlüğü gönderisi.
- IBM 'in ModelOps' ü nasıl adreslediğini görün.