Tutoriel sur la gouvernance de l'IA: Test et validation du modèle

Exécutez le deuxième bloc-notes inclus dans l'exemple de projet pour:

• Extrayez le modèle et les déploiements.
• Configurez Watson OpenScale.
• Créez le fournisseur de services et l'abonnement pour votre service d'apprentissage automatique.
• Configurez le moniteur de qualité.
• Configurez le moniteur d'équité.
• Configurez l'explicabilité.

Procédez comme suit pour exécuter le bloc-notes inclus dans le projet exemple. Ce bloc-notes configure des moniteurs pour votre modèle, qui peut également être configuré via l'interface utilisateur. Cependant, il est plus rapide et moins enclin à les mettre en place avec un bloc-notes. Prenez le temps de lire les commentaires du bloc-notes, qui expliquent le code de chaque cellule.

1. Dans le Cloud Pak for Data , sélectionnez Projets > Afficher tous les projets.

2. Ouvrez le projet de gouvernance de l'IA .

   Remarque: Vous pouvez voir une visite guidée présentant les tutoriels inclus avec ce cas d'utilisation. Les liens de la visite guidée ouvriront ces instructions de tutoriel.

3. Cliquez sur l'onglet Actifs , puis accédez à Notebooks.
   

4. Ouvrez le bloc-notes 2-monitor-wml-model-with-watson-openscale.

5. Le bloc-notes étant en mode lecture seule, cliquez sur l'icône Editer pour le placer en mode édition.

6. Lorsque vous avez importé le projet à partir du concentrateur de ressources, la première cellule de ce bloc-notes contient le jeton d'accès au projet. Si ce bloc-notes ne contient pas de première cellule avec un jeton d'accès au projet, pour générer le jeton, dans le menu Plus , sélectionnez Insérer un jeton de projet. Cette action insère une nouvelle cellule comme première cellule du bloc-notes contenant le jeton de projet.

7. Sous la section Insérer une clé d'API IBM Cloud , collez votre clé d'API dans la zone ibmcloud_api_key .

8. Cliquez sur Cellule > Exécuter tout pour exécuter toutes les cellules du bloc-notes. Vous pouvez également exécuter le bloc-notes cellule par cellule si vous souhaitez explorer chaque cellule et sa sortie.

9. L'exécution du bloc-notes prend entre 1 et 3 minutes. Vous pouvez surveiller la cellule de progression en remarquant que l'astérisque "In [*]" est changé en nombre, par exemple "In [1]".

10. Si vous rencontrez des erreurs lors de l'exécution du bloc-notes, essayez les conseils de traitement des incidents suivants:

    • Cliquez sur Noyau > Redémarrer & Effacer la sortie pour redémarrer le noyau, puis exécutez à nouveau le bloc-notes.

    • Supprimez les déploiements Watson OpenScale existants et mettez à disposition une nouvelle instance de service.

    • Vérifiez que vous avez créé le cas d'utilisation de l'IA, l'espace de déploiement et le nom de déploiement dans le tutoriel Générer et déployer un modèle en copiant et en collant le nom d'artefact spécifié exactement sans espace de début ou de fin.

Pour prévisualiser cette tâche, regardez la vidéo qui commence à 03:40.

Procédez comme suit pour télécharger les données restantes et les utiliser pour évaluer le modèle dans Watson OpenScale:

1. Cliquez sur le projet de gouvernance de l'intelligence artificielle dans la trace de navigation.
   

2. Dans l'onglet Actifs , cliquez sur Données > Actifs de données.

3. Cliquez sur le bouton !Débordement menu Menu de débordement pour leGoldenBank_HoldoutData .csv actif de données, puis choisissez Télécharger . Pour vérifier que le modèle fonctionne comme requis, vous avez besoin d'un ensemble de données étiquetées, qui ont été retenues à partir de l'entraînement du modèle. Ce fichier CSV contient les données de l'élément restant.

4. Lancez Watson OpenScale. Dans le menu de navigation , sélectionnez Services > Instances de service.

5. Ouvrez votre instance Watson OpenScale. Si vous y êtes invité, connectez-vous à l'aide des mêmes données d'identification que celles que vous avez utilisées pour vous inscrire à Cloud Pak for Data.

6. Sur la page d'instance de service Watson OpenScale , cliquez sur Lancer Watson OpenScale.

7. Dans les aperçus du tableau de bord, cliquez sur la mosaïque Déploiement du modèle d'approbation d'hypothèque.

8. Dans le menu Actions, sélectionnez Évaluer maintenant.

9. Dans la liste des options d'importation, sélectionnez à partir d'un fichier CSV.

10. Faites glisser le fichier de données Golden Bank_HoldoutData.csv que vous avez téléchargé du projet dans le panneau latéral.

11. Cliquez sur Télécharger et évaluer.

Pour prévisualiser cette tâche, regardez la vidéo à partir de 04:44.

Le moniteur de qualité Watson OpenScale génère un ensemble de métriques pour évaluer la qualité de votre modèle. Vous pouvez utiliser ces indicateurs de qualité pour déterminer dans quelle mesure votre modèle prédit les résultats. Une fois l'évaluation qui utilise les données restantes terminée, procédez comme suit pour observer la qualité ou l'exactitude du modèle:

1. Dans le panneau de navigation de gauche, cliquez sur l'icône Tableau de bord Insights .

2. Localisez la mosaïque de déploiement du modèle d'approbation d'hypothèque. Notez que le déploiement comporte 0 problème et que les tests Qualité et Equité ont réussi, ce qui signifie que le modèle a atteint les seuils requis.

3. Cliquez sur la vignette Mortgage Approval Model Deployment pour afficher plus de détails.

4. Dans la section Qualité , cliquez sur l'icône Configurer . Vous pouvez voir ici que le seuil de qualité configuré pour ce moniteur est de 70% et que la mesure de la qualité utilisée est une zone sous la courbe ROC.

5. Cliquez sur Aller au récapitulatif du modèle pour revenir à l'écran des détails du modèle.

6. Dans la section Qualité , cliquez sur l'icône Détails pour afficher les résultats détaillés de la qualité de modèle. Vous voyez ici un certain nombre de calculs de métriques de qualité et une matrice de confusion affichant des décisions de modèle correctes ainsi que des faux positifs et des faux négatifs. L'aire calculée sous la courbe ROC est 0.9 ou supérieure, ce qui dépasse le seuil 0.7 , de sorte que le modèle répond à ses exigences de qualité.

7. Cliquez sur Mortgage Approval Model Deployment dans la piste de navigation pour revenir à l'écran des détails du modèle.

Pour prévisualiser cette tâche, regardez la vidéo qui commence à 06:01.

Le moniteur d'équité Watson OpenScale génère un ensemble de métriques pour évaluer l'équité de votre modèle. Vous pouvez utiliser les mesures d'équité pour déterminer si votre modèle produit des résultats biaisés. Pour observer l'équité du modèle, procédez comme suit:

1. Dans la section Equité , cliquez sur l'icône Configurer . Ici, vous voyez que le modèle est en cours de révision pour s'assurer que les candidats sont traités équitablement quel que soit leur sexe.Les femmes sont identifiées comme le groupe surveillé pour lequel l'équité est mesurée et le seuil d'équité doit être d'au moins 80 %.Le contrôleur de l'équité utilise la méthode d'impact disparate pour déterminer l'équité. L'effet Disparate compare le pourcentage de résultats favorables pour un groupe surveillé au pourcentage de résultats favorables pour un groupe de référence.

2. Cliquez sur Aller au récapitulatif du modèle pour revenir à l'écran des détails du modèle.

3. Dans la section Equité , cliquez sur l'icône Détails pour afficher les résultats détaillés de l'équité du modèle. Vous voyez ici le pourcentage de candidats masculins et féminins qui sont automatiquement approuvés, ainsi qu'un score d'équité de plus de 100%, de sorte que la performance du modèle dépasse de loin le seuil d'équité de 80% requis.

4. Notez les jeux de données identifiés. Pour s'assurer que les métriques d'équité sont les plus précises, Watson OpenScale utilise la perturbation pour déterminer les résultats dans lesquels seuls les attributs protégés et les entrées de modèle associées sont modifiés, tandis que les autres fonctions restent les mêmes.La perturbation modifie les valeurs de la fonction du groupe de référence vers le groupe surveillé, ou vice-versa. Ces garde-fous supplémentaires sont utilisés pour calculer l'équité lorsque le jeu de données " équilibré " est utilisé, mais vous pouvez également afficher les résultats d'équité à l'aide uniquement de données de charge utile ou de modèle de formation.Puisque le modèle se comporte de façon équitable, vous n'avez pas besoin d'entrer dans les détails supplémentaires pour cette mesure.

   

5. Cliquez sur la trace de navigation Mortgage Approval Model Deployment pour revenir à l'écran des détails du modèle.

Pour prévisualiser cette tâche, regardez la vidéo qui commence à 07:42.

Il est également important de comprendre comment le modèle a pris sa décision. Cette compréhension est nécessaire à la fois pour expliquer les décisions aux personnes impliquées dans l'approbation du prêt et pour s'assurer que les propriétaires de modèles sont valides. Pour comprendre ces décisions, procédez comme suit pour observer l'explicabilité du modèle:

1. Dans le panneau de navigation de gauche, cliquez sur l'icône Explain a transaction .

2. Sélectionnez Mortgage Approval Model Deployment pour afficher la liste des transactions.

3. Pour toute transaction, cliquez sur Expliquer sous la colonne Actions. Vous trouverez ici l'explication détaillée de cette décision.Vous verrez les entrées les plus importantes du modèle ainsi que l'importance de chaque résultat final. Les barres bleues représentent les entrées qui ont eu tendance à prendre en charge la décision du modèle, tandis que les barres rouges représentent les entrées qui ont pu conduire à une autre décision. Par exemple, un demandeur peut avoir un revenu suffisant pour être approuvé autrement, mais son faible historique de crédit et sa dette élevée conduisent le modèle à rejeter la demande.Examinez cette explication pour vous satisfaire de la base de la décision du modèle.

4. (Facultatif) Si vous souhaitez approfondir la manière dont le modèle a pris sa décision, cliquez sur l'onglet Inspecter . Utilisez la fonction Inspecter pour analyser la décision afin de trouver des zones de sensibilité dans lesquelles de petites modifications apportées à quelques entrées peuvent entraîner une décision différente, et vous pouvez tester la sensibilité vous-même en remplaçant certaines des entrées réelles par des alternatives pour voir si elles ont un impact sur le résultat.

Pour prévisualiser cette tâche, regardez la vidéo qui commence à 09:21.

Procédez comme suit pour modifier le statut du cas d'utilisation de l'IA dans l'inventaire du modèle et approuver le modèle:

1. Revenez à Cloud Pak for Dataet, à partir du menu de navigation , sélectionnez Catalogues > Cas d'utilisation de l'intelligence artificielle.

2. Pour le Cas d'utilisation du modèle d'approbation hypothécaire, cliquez sur Afficher les détails.

3. Cliquez sur l'onglet Cycle de vie pour voir que le modèle est maintenant à l'étape Valider .

4. Cliquez sur l'icône Editer en regard de Statut, sélectionnez Validation terminée, puis cliquez sur Mettre à jour.

5. Revenez à l'aperçu du tableau de bord Watson OpenScale.

6. Cliquez sur la mosaïque Déploiement du modèle d'approbation d'hypothèque.

7. Dans le menu Actions, sélectionnez Approuver pour la production, puis cliquez sur Approuver. Cette action indique à l'équipe des opérations d'IA qu'elle peut désormais déployer le modèle dans un espace de production désigné.

8. Dans le Cloud Pak for Data , sélectionnez Catalogues > Cas d'utilisation de l'intelligence artificielle.

9. Pour le scénario d'utilisation du modèle d'approbation hypothécaire, cliquez sur Afficher les détails.

10. Cliquez sur l'onglet Cycle de vie . Sous Suivi de modèle, le cas d'utilisation de l'IA s'affiche désormais comme évalué et approuvé dans l'étape Valider .

11. Affichez le déploiement de modèle d'approbation hypothécaire pour voir la fiche d'information capturée par Watson OpenScale.

12. Fermez la fiche technique de déploiement de modèle.