Podgląd kursu

W tym kursie zostaną wykonane następujące czynności:

• Skonfiguruj wymagania wstępne.
• Czynność 1: Wyświetlanie zasobów aplikacyjnych w przykładowym projekcie.
• Czynność 2: Eksploracja istniejącego potoku.
• Czynność 3: Dodawanie węzła do potoku.
• Czynność 4: Uruchom potok.
• Czynność 5: Wyświetlanie zasobów, wdrożonego modelu i wdrożenia w trybie z połączeniem.

Aby kontynuować monitorowanie modelu przy użyciu systemu Watson OpenScale, wykonaj czynności 6-10:

• Czynność 6: Uruchom notatnik, aby skonfigurować monitory Watson OpenScale .
• Czynność 7: Oceń model.
• Czynność 8: Obserwowanie monitorowania modelu pod kątem jakości.
• Czynność 9: Obserwowanie monitorów modelu pod kątem rzetelności.
• Czynność 10: Obserwowanie monitorów modelu pod kątem możliwości wyjaśnienia.
• Procedura czyszcząca (opcjonalnie)

Obejrzyj ten film wideo, aby wyświetlić podgląd kroków tego kursu. W interfejsie użytkownika wyświetlanym na filmie wideo mogą występować niewielkie różnice. Film wideo ma być towarzyszem napisanego kursu.

Ten film wideo zawiera wizualną metodę zapoznawania się z pojęciami i zadaniami opisanymi w tej dokumentacji.

• Wskazówki dotyczące wykonywania tego kursu

  Użyj obrazu wideo

  Wskazówka: Rozpocznij film wideo, a następnie podczas przewijania kursu film wideo przechodzi do trybu obrazowania. Zamknij spis treści wideo, aby uzyskać najlepsze doświadczenia z obrazem. Istnieje możliwość użycia trybu obrazowania w obrazie, dzięki czemu można śledzić film wideo podczas wykonywania zadań w tym kursie. Kliknij znaczniki czasu dla każdego zadania, które ma być wykonywane.

  Poniższy animowany obraz przedstawia sposób korzystania z funkcji obrazków wideo i spisu treści:

  

  Uzyskaj pomoc w społeczności

  Aby uzyskać pomoc dotyczącą tego kursu, można zadać pytanie lub znaleźć odpowiedź na forum dyskusyjnym społeczności Cloud Pak for Data.

  Konfigurowanie okien przeglądarki

  Aby uzyskać optymalne dopasowanie do tego kursu, otwórz stronę Cloud Pak for Data w jednym oknie przeglądarki i pozostaw ten kurs otwarty w innym oknie przeglądarki, aby łatwo przełączać się między dwiema aplikacjami. Rozważ rozmieszczenie dwóch okien przeglądarki obok siebie, aby ułatwić sobie śledzenie.

  

  Wskazówka: Jeśli podczas wykonywania tego kursu w interfejsie użytkownika pojawi się prezentacja z przewodnikiem, kliknij opcję Być może później.

  
  Początek strony
  

• Skonfiguruj wymagania wstępne

  Zarejestruj się, aby korzystać z Cloud Pak for Data as a Service

  Użytkownik musi zarejestrować się w usłudze Cloud Pak for Data as a Service i udostępnić niezbędne usługi dla przypadków użycia Data Science i MLOps.

  • Jeśli masz istniejące konto Cloud Pak for Data as a Service , możesz rozpocząć ten kurs. Jeśli masz konto planu Lite, tylko jeden użytkownik na konto może uruchomić ten kurs.
  • Jeśli nie masz jeszcze konta Cloud Pak for Data as a Service , zarejestruj się w celu skorzystania z wersji próbnej struktury danych.

  
  

  Obejrzyj następujący film wideo, aby dowiedzieć się więcej o strukturze danych w produkcie Cloud Pak for Data.

  Ten film wideo zawiera wizualną metodę zapoznawania się z pojęciami i zadaniami opisanymi w tej dokumentacji.

  Sprawdź wymagane udostępnione usługi

  Aby wyświetlić podgląd tej czynności, należy obejrzeć film wideo o godzinie 00:50.

  Aby sprawdzić lub udostępnić niezbędne usługi, wykonaj następujące kroki:

  1. Z Cloud Pak for Data menu nawigacyjnego wybierz opcję Usługi > Instancje usług.

  2. Użyj listy rozwijanej Produkt , aby określić, czy istnieje istniejąca instancja usługi Watson Studio .

  3. Aby utworzyć instancję usługi Watson Studio , kliknij opcję Dodaj usługę.

     1. Wybierz opcję Watson Studio.

     2. Wybierz plan Lite .

     3. Kliknij makro Create.

  4. Poczekaj, aż usługa Watson Studio zostanie udostępniona, co może potrwać kilka minut.

  5. Powtórz te kroki, aby sprawdzić lub udostępnić następujące dodatkowe usługi:

     • Watson Machine Learning
     • Cloud Object Storage
     • Watson OpenScale -jeśli wdrożony model ma być monitorowany.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono udostępnione instancje usługi:
  
  

  

  Utwórz przykładowy projekt

  Aby wyświetlić podgląd tej czynności, należy obejrzeć film wideo rozpoczynający się od strony 01:27.

  Jeśli dla tego kursu jest już dostępny przykładowy projekt, należy pominąć tę czynność. W przeciwnym razie wykonaj następujące kroki:

  1. Otwórz przykładowy projekt Data Science and MLOps w galerii.

  2. Kliknij opcję Utwórz projekt.

  3. Jeśli zostanie wyświetlona prośba o powiązanie projektu z instancją Cloud Object Storage , wybierz z listy instancję Cloud Object Storage .

  4. Kliknij makro Create.

  5. Poczekaj na zakończenie importowania projektu, a następnie kliknij opcję Wyświetl nowy projekt , aby sprawdzić, czy projekt i zasoby aplikacyjne zostały pomyślnie utworzone.

  6. Kliknij kartę Zasoby , aby wyświetlić zasoby na potrzeby tego kursu.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono kartę Zasoby w przykładowym projekcie. Teraz można rozpocząć kurs.
  
  

  

  Uwaga: Może zostać wyświetlony przewodnik przedstawiający kursy dołączone do tego przypadku użycia. Odsyłacze w przewodniku otwierają te instrukcje kursu.

  Powiąż usługę Watson Machine Learning z przykładowym projektem.

  Aby wyświetlić podgląd tej czynności, należy obejrzeć film wideo rozpoczynający się od strony 02:17.

  Do utworzenia i wdrożenia modelu będzie używana usługa Watson Machine Learning , dlatego należy wykonać poniższe kroki, aby powiązać instancję usługi Watson Machine Learning z przykładowym projektem.

  1. W projekcie Data Science and MLOps kliknij kartę Zarządzaj .

  2. Kliknij stronę Usługi i integracje .

  3. Kliknij opcję Powiąż usługę.

  4. Zaznacz pole wyboru obok instancji usługi Watson Machine Learning .

  5. Kliknij opcję Powiąż.

  6. Kliknij przycisk Anuluj , aby powrócić do strony Usługi i integracje .

  Sprawdź postęp

  Na poniższym obrazku przedstawiono stronę Usługi i integracje z wymienioną usługą Watson Machine Learning . Teraz można przystąpić do tworzenia przykładowego projektu.
  
  

  

  
  Początek strony
  

• Czynność 1: wyświetlanie zasobów aplikacyjnych w przykładowym projekcie
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo rozpoczynający się od strony 02:37.

  Przykładowy projekt zawiera kilka zasobów aplikacyjnych, w tym połączenie, definicję danych, jeden przepływ Data Refinery i potok. Aby wyświetlić te zasoby, wykonaj następujące kroki:

  1. Kliknij kartę Zasoby w projekcie Data Science and MLOps , a następnie wyświetl pozycję Wszystkie zasoby.

  2. Wyświetl listę zasobów danych używanych w przepływie Data Refinery i potoku. Te zasoby są przechowywane w wersji próbnej produktu Data Fabric - Db2 Warehouse w schemacie AI_MORTGAGE . Kliknij opcję Importuj zasoby, a następnie przejdź do wersji próbnej produktu Data Fabric - Db2 Warehouse > AI_MORTGAGE. Na poniższym obrazku przedstawiono zasoby aplikacyjne z tego połączenia:

     

  3. Przepływ Mortgage Age_Data_Approvals_flow Data Refinery integruje dane dotyczące każdego wnioskodawcy ubiegającego się o kredyt hipoteczny. Zintegrowane dane obejmują informacje umożliwiające identyfikację osób, szczegóły ich podania, ocenę kredytową, status kupca handlowego i wreszcie ceny w wybranym domu każdego kandydata. Następnie przepływ tworzy plik sekwencyjny o nazwie Mortgage_Data_with_Approvals_DS.csv w projekcie zawierającym połączone dane. Na poniższym obrazku przedstawiono przepływ Mortgage_Data_Approvals_flow Data Refinery :

     

  Sprawdź postęp

  Na poniższym obrazku przedstawiono wszystkie zasoby aplikacyjne w przykładowym projekcie. Teraz można przystąpić do eksploracji potoku w przykładowym projekcie.
  
  

  

  
  Początek strony
  

• Czynność 2: eksplorowanie istniejącego potoku
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo począwszy od wersji 03:25.

  Przykładowy projekt zawiera potok Watson , który automatyzuje następujące zadania:

  • Uruchom istniejące zadanie Data Refinery .

  • Utwórz eksperyment AutoAI .

  • Uruchom eksperyment AutoAI i zapisz model o najlepszej wydajności, w którym jako dane uczące używany jest wynikowy plik wyjściowy z zadania Data Refinery .

  • Utwórz obszar wdrażania.

  • Awansuj zapisany model do obszaru wdrażania.

  Aby eksplorować potok, wykonaj następujące kroki:

  1. Na karcie Zasoby w projekcie Data Science and MLOps wyświetl widok Wszystkie zasoby.

  2. Kliknij opcję Potok zatwierdzania kredytów hipotecznych-analityka danych , aby otworzyć potok.

  3. Kliknij dwukrotnie zadanie Integracja danych zatwierdzenia kredytu hipotecznego Data Refinery , które łączy różne tabele z połączenia Db2 Warehouse on Cloud w spójny zestaw danych z etykietą, który jest używany jako dane szkoleniowe dla eksperymentu AutoAI . Kliknij przycisk Anuluj , aby powrócić do potoku.

  4. Kliknij warunek Sprawdź status i wybierz opcję Edytuj. Ten warunek jest punktem decyzyjnym w potoku w celu potwierdzenia zakończenia zadania Data Refinery z wartością Zakończone lub Zakończone z ostrzeżeniami. Kliknij przycisk Anuluj , aby powrócić do potoku.

  5. Kliknij dwukrotnie węzeł Utwórz eksperyment AutoAI , aby wyświetlić ustawienia. Ten węzeł tworzy eksperyment AutoAI z ustawieniami.

     1. Przejrzyj wartości dla następujących ustawień:

        • Nazwa eksperymentu AutoAI

        • Zakres

        • Typ predykcji

        • Kolumna predykcji

        • Klasa dodatnia

        • Współczynnik podziału danych uczących

        • Algorytmy do uwzględnienia

        • Używane algorytmy

        • Optymalizuj metrykę

     2. Kliknij przycisk Anuluj , aby zamknąć ustawienia.

  6. Kliknij dwukrotnie węzeł Uruchom eksperyment AutoAI , aby wyświetlić ustawienia. Ten węzeł uruchamia eksperyment AutoAI , który jest tworzony przez węzeł Utwórz eksperyment AutoAI , który wykorzystuje wyniki z zadania Data Refinery Integracja zatwierdzania kredytu hipotecznego jako dane szkoleniowe.

     1. Przejrzyj wartości dla następujących ustawień:

        • Eksperyment AutoAI

        • Zasoby danych treningowych

        • Przedrostek nazwy modelu

     2. Kliknij przycisk Anuluj , aby zamknąć ustawienia.

  7. Między węzłami Uruchom eksperyment AutoAI i Utwórz obszar wdrażania kliknij opcję Czy chcesz wdrożyć model? i wybierz opcję Edytuj. Wartość Prawda dla tego warunku jest punktem decyzyjnym w potoku, który kontynuuje tworzenie obszaru wdrażania. Kliknij przycisk Anuluj , aby powrócić do potoku.

  8. Kliknij dwukrotnie węzeł Utwórz obszar wdrażania , aby zaktualizować ustawienia. Ten węzeł tworzy nowy obszar wdrażania o podanej nazwie i wymaga danych wejściowych dla usług Cloud Object Storage i Watson Machine Learning .

     1. Przejrzyj wartość ustawienia Nowa nazwa obszaru .

     2. W polu New space COS Instance CRN wybierz z listy instancję Cloud Object Storage .

     3. W polu New space WML Instance CRN wybierz z listy instancję Watson Machine Learning .

     4. Kliknij przycisk Zapisz.

  9. Kliknij dwukrotnie węzeł Awansuj model do obszaru wdrażania , aby wyświetlić ustawienia. Ten węzeł promuje najlepszy model z węzła Uruchom eksperyment AutoAI do obszaru wdrażania utworzonego z węzła Utwórz obszar wdrażania .

     1. Przejrzyj wartości dla następujących ustawień:

        • Zasoby źródłowe

        • Docelowa

     2. Kliknij przycisk Anuluj , aby zamknąć ustawienia.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono początkowy potok. Teraz można przystąpić do edycji potoku w celu dodania węzła.
  
  

  

  
  Początek strony
  

• Czynność 3: dodawanie węzła do potoku
  
  

  Aby wyświetlić podgląd tej czynności, należy obejrzeć film wideo o godzinie 05:41.

  Potok tworzy model, tworzy obszar wdrażania, a następnie awansuje go do obszaru wdrażania. Aby utworzyć wdrożenie w trybie z połączeniem, należy dodać węzeł. Wykonaj następujące kroki, aby edytować potok w celu zautomatyzowania tworzenia wdrożenia w trybie z połączeniem:

  1. Dodaj węzeł Tworzenie wdrożenia w trybie z połączeniem do kanwy:

     1. Rozwiń sekcję Utwórz na palecie węzłów.

     2. Przeciągnij węzeł Utwórz wdrożenie w trybie z połączeniem na kanwę i upuść go za węzłem Awansuj model do obszaru wdrażania .

  2. Umieść wskaźnik myszy nad węzłem Awansuj model do obszaru wdrażania , aby wyświetlić strzałkę. Połącz strzałkę z węzłem Tworzenie wdrożenia w trybie z połączeniem .

     Uwaga: Nazwy węzłów w potoku mogą różnić się od poniższego animowanego obrazu.

     

  3. Połącz komentarz Utwórz wdrożenie w trybie z połączeniem dla awansowanego modelu z węzłem Utwórz wdrożenie w trybie z połączeniem , łącząc kółko w polu komentarza z węzłem.

     Uwaga: Nazwy węzłów w potoku mogą różnić się od poniższego animowanego obrazu.

     

  4. Kliknij dwukrotnie węzeł Create online deployment (Utwórz wdrożenie w trybie z połączeniem), aby wyświetlić ustawienia.

  5. Zmień nazwę węzła na Create Online Deployment.

  6. Obok pola Zasób MLkliknij w menu opcję Wybierz z innego węzła .

     

  7. Wybierz z listy węzeł Awansuj model do przestrzeni wdrażania . Wybrano identyfikator węzła winning_model .

  8. W polu Nowa nazwa wdrożeniawpisz Mortgage approval model deployment - Data Science.

  9. W polu Tryb tworzeniawybierz opcję Nadpisz.

  10. Kliknij przycisk Zapisz , aby zapisać ustawienia węzła Utwórz wdrożenie w trybie z połączeniem .

  Sprawdź postęp

  Na poniższym obrazku przedstawiono ukończony potok. Teraz można uruchomić potok.
  
  

  

  
  Początek strony
  

• Czynność 4: uruchamianie potoku
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 06:57.

  Po zakończeniu potoku wykonaj następujące kroki, aby uruchomić potok:

  1. Na pasku narzędzi kliknij opcję Uruchom potok > Uruchom wersję próbną.

  2. Na stronie Definiowanie parametrów potoku wybierz opcję Prawda dla wdrożenia.

     • Jeśli ma wartość Prawda, wówczas potok weryfikuje wdrożony model i ocenia model.

     • Jeśli ustawiono wartość Fałsz, potok sprawdza, czy model został utworzony w projekcie przez eksperyment AutoAI , a następnie przegląda informacje o modelu i metryki treningu.

  3. Podaj klucz API, jeśli jest to pierwsza okazja uruchomienia potoku. Zasoby rurociągu używają osobistego klucza API IBM Cloud do bezpiecznego uruchamiania operacji bez zakłóceń.

     • Jeśli masz istniejący klucz API, kliknij opcję Użyj istniejącego klucza API, wklej klucz API i kliknij przycisk Zapisz.

     • Jeśli nie masz istniejącego klucza API, kliknij opcję Wygeneruj nowy klucz API, podaj nazwę i kliknij przycisk Zapisz. Skopiuj klucz API, a następnie zapisz go do użycia w przyszłości. Po zakończeniu kliknij przycisk Zamknij.

  4. Kliknij przycisk Uruchom , aby uruchomić potok.

  5. Monitoruj postęp potoku.

     1. Podczas działania potoku przewiń dzienniki skonsolidowane. Wykonanie wersji próbnej może potrwać do 10 minut.

     2. Po zakończeniu każdej operacji wybierz węzeł dla tej operacji na kanwie.

     3. Na karcie Inspektor węzła wyświetl szczegóły operacji.

     4. Kliknij kartę Wyjście węzła , aby wyświetlić podsumowanie wyników dla każdej operacji węzła.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono potok po zakończeniu okresu próbnego. Teraz można przejrzeć zasoby utworzone przez potok.
  
  

  

  
  Początek strony
  

• Czynność 5: wyświetlanie zasobów, wdrożonego modelu i wdrożenia w trybie z połączeniem
  
  

  Aby wyświetlić podgląd tego zadania, obejrzyj film wideo o godzinie 08:58.

  Potok utworzył kilka zasobów. Aby wyświetlić zasoby aplikacyjne, wykonaj następujące kroki:

  1. Kliknij nazwę projektu Data Science and MLOps w ścieżce nawigacyjnej, aby powrócić do projektu.

     

  2. Na karcie Zasoby wyświetl Wszystkie zasoby.

  3. Wyświetl zasoby danych.

     1. Kliknij zasób danych Mortgage_Data_with_Approvals_DS.csv . Ten zasób został utworzony przez zadanie Data Refinery .

     2. Kliknij nazwę projektu Data Science and MLOps w ścieżce nawigacji, aby powrócić do karty Zasoby .

  4. Wyświetl model.

     1. Kliknij zasób modelu uczenia maszynowego, rozpoczynając od ds_mortgage_approval_best_model. Eksperyment AutoAI wygenerował kilka kandydatów na model i wybrał ten model jako najlepszy. Zapisz tę nazwę modelu w pliku tekstowym. Nazwa modelu jest wymagana do skonfigurowania monitorów Watson OpenScale w następnym zadaniu.

     2. Przewiń informacje o modelu.

     3. Kliknij nazwę projektu Data Science and MLOps w ścieżce nawigacji, aby powrócić do karty Zasoby .

  5. Kliknij kartę Zadania w projekcie, aby wyświetlić informacje o zadaniach Data Refinery i Pipeline.

  6. Otwórz obszar wdrażania utworzony za pomocą potoku.

     1. Z Cloud Pak for Data menu nawigacyjnego wybierz opcję Wdrożenia.

     2. Kliknij kartę Obszary .

     3. Kliknij obszar wdrażania Mortgage approval-Data Science and MLOps (Zatwierdzenie kredytu hipotecznego-Data Science and MLOps).

  7. Kliknij kartę Zasoby i zapoznaj się z wdrożonym modelem rozpoczynającym się od ds_mortgage_approval_best_model.

  8. Kliknij kartę Deployments (Wdrożenia).

  9. Kliknij opcję Wdrażanie modelu zatwierdzania kredytu hipotecznego-Data Science , aby wyświetlić wdrożenie.

     1. Na karcie Odwołanie do interfejsu API wyświetl punkt końcowy interfejsu API i fragmenty kodu.

     2. Kliknij kartę Test .

     3. Kliknij kartę Dane wejściowe JSON i zastąp przykładowy tekst następującym tekstem JSON.

        {
          "input_data": [
                  {
                          "fields": [
                                  "ID",
                                  "NAME",
                                  "STREET_ADDRESS",
                                  "CITY",
                                  "STATE",
                                  "STATE_CODE",
                                  "ZIP_CODE",
                                  "EMAIL_ADDRESS",
                                  "PHONE_NUMBER",
                                  "GENDER",
                                  "SOCIAL_SECURITY_NUMBER",
                                  "EDUCATION",
                                  "EMPLOYMENT_STATUS",
                                  "MARITAL_STATUS",
                                  "INCOME",
                                  "APPLIEDONLINE",
                                  "RESIDENCE",
                                  "YRS_AT_CURRENT_ADDRESS",
                                  "YRS_WITH_CURRENT_EMPLOYER",
                                  "NUMBER_OF_CARDS",
                                  "CREDITCARD_DEBT",
                                  "LOANS",
                                  "LOAN_AMOUNT",
                                  "CREDIT_SCORE",
                                  "CRM_ID",
                                  "COMMERCIAL_CLIENT",
                                  "COMM_FRAUD_INV",
                                  "FORM_ID",
                                  "PROPERTY_CITY",
                                  "PROPERTY_STATE",
                                  "PROPERTY_VALUE",
                                  "AVG_PRICE"
                          ],
                          "values": [
                                  [
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          "Bachelor",
                                          "Employed",
                                          null,
                                          144306,
                                          null,
                                          "Owner Occupier",
                                          15,
                                          19,
                                          2,
                                          7995,
                                          1,
                                          1483220,
                                          437,
                                          null,
                                          false,
                                          false,
                                          null,
                                          null,
                                          null,
                                          111563,
                                          null
                                  ],
                                  [
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          null,
                                          "High School",
                                          "Employed",
                                          null,
                                          45283,
                                          null,
                                          "Private Renting",
                                          11,
                                          13,
                                          1,
                                          1232,
                                          1,
                                          7638,
                                          706,
                                          null,
                                          false,
                                          false,
                                          null,
                                          null,
                                          null,
                                          54262,
                                          null
                                  ]
                          ]
                  }
          ]
        }
        

     4. Kliknij opcję Predykt. Wyniki wskazują, że pierwszy wnioskodawca nie zostanie zatwierdzony, a drugi wnioskodawca zostanie zatwierdzony.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono wyniki testu. Oceny wiarygodności testu mogą się różnić od ocen pokazanych na obrazku.
  
  

  

  
  Początek strony
  

• Czynność 6: uruchamianie notatnika w celu skonfigurowania monitorów Watson OpenScale
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 10:40.

  Teraz można uruchomić notatnik dołączony do przykładowego projektu. Notatnik zawiera kod umożliwiający:

  • Pobierz model i wdrożenia.
  • Skonfiguruj Watson OpenScale.
  • Utwórz dostawcę usług i subskrypcję dla usługi uczenia maszynowego.
  • Skonfiguruj monitor jakości.
  • Skonfiguruj monitor jasności.
  • Skonfiguruj możliwość wyjaśnienia.

  Wykonaj następujące kroki, aby uruchomić notatnik dołączony do przykładowego projektu. Poświęć trochę czasu na przeczytanie komentarzy w notatniku, które wyjaśniają kod w każdej komórce.

  1. Z Cloud Pak for Data menu nawigacyjnego wybierz opcję Projekty > Wyświetl wszystkie projekty.

  2. Kliknij nazwę projektu Data Science and MLOps .

  3. Kliknij kartę Zasoby , a następnie przejdź do karty Notebooki.
     

  4. Otwórz notatnik monitor-wml-model-with-watson-openscale-pipeline .

  5. Kliknij ikonę Edytuj , aby przełączyć notatnik w tryb edycji.

  6. Podczas importowania projektu z galerii pierwsza komórka notatnika zawiera znacznik dostępu projektu. Jeśli ten notatnik nie zawiera pierwszej komórki ze znacznikiem dostępu do projektu, należy go wygenerować. Z menu Więcej wybierz opcję Wstaw znacznik projektu. To działanie powoduje wstawienie nowej komórki jako pierwszej komórki w notatniku zawierającej znacznik projektu.

  7. Podaj klucz API w sekcji Podaj klucz API IBM Cloud . Należy przekazać swoje referencje do interfejsu API Watson Machine Learning przy użyciu klucza API. Jeśli nie masz jeszcze zapisanego klucza API, wykonaj poniższe kroki, aby utworzyć klucz API.
     Aby wyświetlić podgląd tej czynności, należy obejrzeć film wideo począwszy od wersji 04:55.

     1. Uzyskaj dostęp do strony kluczy API konsoliIBM Cloud.

     2. Kliknij opcję Utwórz klucz API IBM Cloud. Jeśli istnieją jakiekolwiek klucze API, przycisk może mieć etykietę Utwórz.

     3. Wpisz nazwę i opis.

     4. Kliknij makro Create.

     5. Skopiuj klucz API.

     6. Pobierz klucz API do użycia w przyszłości.

     7. Wróć do notatnika i wklej klucz API w polu ibmcloud_api_key .

  8. W sekcji 3. Model i wdrożeniedla zmiennej nazwa_modelu wklej nazwę modelu, która została zapisana w pliku tekstowym w poprzednim zadaniu. Pola space_name i deployment_name są wypełniane przy użyciu nazw określonych w potoku.

  9. Kliknij opcję Komórka > Uruchom wszystko , aby uruchomić wszystkie komórki w notatniku. Alternatywnie można uruchomić notatnik komórka po komórce, aby eksplorować każdą komórkę i jej dane wyjściowe.

  10. Monitoruj postęp komórka po komórce, zauważając, że gwiazdka "In [*]" zmienia się na liczbę, na przykład "In [1]". Notatnik trwa od 1 do 3 minut.

  11. Jeśli podczas działania notatnika wystąpią jakiekolwiek błędy, należy skorzystać z następujących wskazówek:

      • Kliknij kolejno opcje Kernel > Restart & Clear Output (Jądro > Restartuj i Wyczyść dane wyjściowe), aby zrestartować jądro, a następnie ponownie uruchom notatnik.
      • Sprawdź, czy nazwa wdrożenia została skopiowana i wklejona dokładnie bez spacji na początku i na końcu.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono notatnik po zakończeniu wykonywania. Notatnik zapisał model w projekcie, dlatego można przystąpić do oceny modelu.
  
  

  

  
  Początek strony
  

• Czynność 7: ocena modelu
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 13:35.

  Aby ocenić model w systemie Watson OpenScale, wykonaj następujące kroki:

  1. Kliknij projekt Data Science and MLOps w ścieżce nawigacji.
     

  2. Na karcie Zasoby rozwiń typ zasobu Dane , a następnie kliknij opcję Zasoby danych.

  3. Kliknij menu Przepełnienie dla zasobu danych mortgage_sample_test_data.csv i wybierz opcję Pobierz. Aby sprawdzić, czy model działa zgodnie z wymaganiami, potrzebny jest zestaw danych z etykietami, który został wstrzymany podczas uczenia modelu. Ten plik CSV zawiera dane wstrzymane.

  4. Uruchom program Watson OpenScale.

     1. Z Cloud Pak for Data menu nawigacyjnego wybierz opcję Usługi > Instancje usług.

     2. Kliknij nazwę instancji Watson OpenScale . Jeśli zostanie wyświetlone zapytanie, zaloguj się, używając tych samych danych uwierzytelniających, które zostały użyte do zarejestrowania się w programie Cloud Pak for Data.

     3. Na stronie instancji usługi Watson OpenScale kliknij opcję Uruchom aplikację.

  5. Na panelu kontrolnym Insightskliknij kafel Wdrażanie modelu zatwierdzenia kredytu hipotecznego-Data Science .

  6. Z menu Czynności wybierz opcję Wartościuj teraz.

  7. Z listy opcji importowania wybierz pozycję z pliku CSV.

  8. Przeciągnij plik danych mortgage_sample_test_data.csv pobrany z projektu do panelu bocznego.

  9. Kliknij opcję Prześlij i oceń. Ocena może potrwać kilka minut.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono wynik oceny wdrożonego modelu w systemie Watson OpenScale. Po ocenie modelu można obserwować jego jakość.
  
  

  

  
  Początek strony
  

• Zadanie 8: obserwowanie monitorowania modelu pod kątem jakości
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 14:44.

  Monitor jakości Watson OpenScale generuje zestaw pomiarów w celu oceny jakości modelu. Tych metryk jakości można użyć do określenia, jak dobrze model przewiduje wyniki. Po zakończeniu oceny, która wykorzystuje dane wstrzymane, wykonaj następujące kroki, aby sprawdzić jakość lub dokładność modelu:

  1. W panelu nawigacyjnym po lewej stronie kliknij ikonę Panel kontrolny produktu Insights .

  2. Znajdź kafel Mortgage approval model deployment-Data Science (Wdrażanie modelu zatwierdzania kredytu hipotecznego-analityka danych). Należy zauważyć, że we wdrożeniu nie ma żadnych problemów, a testy Jakość i Uczciwość nie wygenerowały żadnych błędów, co oznacza, że model spełnił wymagane progi.

     Uwaga: Może być konieczne odświeżenie panelu kontrolnego w celu wyświetlenia aktualizacji po zakończeniu wartościowania.

  3. Kliknij kafel Wdrażanie modelu zatwierdzania kredytu hipotecznego-Data Science , aby wyświetlić więcej szczegółów.

  4. W sekcji Jakość kliknij ikonę Konfiguruj . W tym miejscu widać, że próg jakości, który jest skonfigurowany dla tego monitora, wynosi 70%, a pomiar używanej jakości jest obszarem pod krzywą ROC.

  5. Kliknij opcję Przejdź do podsumowania modelu , aby powrócić do ekranu szczegółów modelu.

  6. W sekcji Jakość kliknij ikonę strzałki w prawo , aby wyświetlić szczegółowe wyniki jakości modelu. W tym miejscu wyświetlana jest liczba obliczeń metryk jakości i macierz pomyłek przedstawiająca poprawne decyzje modelu wraz z fałszywymi pozytywami i fałszywymi negatywami. Obszar obliczony pod krzywą ROC wynosi 0.9 lub więcej, co przekracza próg 0.7 , więc model spełnia wymagania dotyczące jakości.

  7. Kliknij opcję Wdrażanie modelu zatwierdzania kredytu hipotecznego-Data Science w ścieżce nawigacyjnej, aby powrócić do ekranu szczegółów modelu.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono szczegóły dotyczące jakości w systemie Watson OpenScale. Oceny jakości mogą się różnić. Teraz, gdy zaobserwowałeś jakość modelu, możesz obserwować jego uczciwość.
  
  

  

  
  Początek strony
  

• Zadanie 9: obserwowanie monitorów modelu pod kątem sprawiedliwości
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 15:59.

  Monitor jasności Watson OpenScale generuje zestaw pomiarów w celu oceny rzetelności modelu. Za pomocą metryk rzetelności można określić, czy model generuje wyniki obciążone. Wykonaj następujące kroki, aby obserwować uczciwość modelu:

  1. W sekcji Uczciwość kliknij ikonę Konfiguruj . W tym miejscu widać, że model jest poddawany przeglądowi, aby zapewnić sprawiedliwe traktowanie kandydatów bez względu na ich płeć. Kobiety są identyfikowane jako monitorowana grupa, dla której mierzy się sprawiedliwość, a próg sprawiedliwości wynosi co najmniej 80%. W celu określenia rzetelności monitor rzetelności stosuje odmienną metodę wpływu. Odmienny wpływ porównuje procent pozytywnych wyników dla monitorowanej grupy z odsetkiem pozytywnych wyników dla grupy referencyjnej.

  2. Kliknij opcję Przejdź do podsumowania modelu , aby powrócić do ekranu szczegółów modelu.

  3. W sekcji Uczciwość kliknij ikonę strzałki w prawo , aby wyświetlić szczegółowe wyniki modelu. W tym miejscu można zobaczyć procent kandydatów płci męskiej i żeńskiej, którzy są automatycznie zatwierdzani, wraz z oceną rzetelności wynoszącą około 100%, więc wyniki modelu znacznie przekraczają wymagany próg uczciwości wynoszący 80%.

  4. Zwróć uwagę na zidentyfikowane zestawy danych na liście Zestaw danych . Aby zapewnić dokładność pomiarów, system Watson OpenScale używa perturbacji do określenia wyników, w których zmieniane są tylko atrybuty chronione i powiązane dane wejściowe modelu, podczas gdy inne funkcje pozostają takie same. Perturbacja zmienia wartości funkcji z grupy odniesienia na grupę monitorowaną lub odwrotnie. Te dodatkowe barierki są używane do obliczania wartości godziwej, gdy używany jest "zrównoważony" zestaw danych, ale można również wyświetlić wyniki wartości godziwej, używając tylko ładunku lub danych uczących modelu. Ponieważ model zachowuje się sprawiedliwie, nie trzeba zagłębiać się w dodatkowe szczegóły dla tej metryki.
     

  5. Kliknij ścieżkę nawigacji Wdrażanie modelu zatwierdzania kredytu hipotecznego-Data Science , aby powrócić do ekranu szczegółów modelu.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono szczegóły rzetelności w systemie Watson OpenScale. Teraz, gdy zaobserwowałeś uczciwość modelu, możesz obserwować możliwość wyjaśnienia modelu.
  
  

  

  
  Początek strony
  

• Czynność 10: obserwowanie monitorów modelu w celu wyjaśnienia
  
  

  Aby wyświetlić podgląd tego zadania, należy obejrzeć film wideo o godzinie 17:42.

  Musisz zrozumieć, jak model doszedł do swojej decyzji. Zrozumienie to jest wymagane zarówno w celu wyjaśnienia decyzji osobom biorącym udział w zatwierdzeniu pożyczki, jak i w celu zapewnienia właścicielom modeli, że decyzje są poprawne. Aby zrozumieć te decyzje, wykonaj następujące kroki, aby zapoznać się z objaśnialności modelu:

  1. W lewym panelu nawigacyjnym kliknij ikonę Wyjaśnij transakcję .

  2. Wybierz opcję Wdrażanie modelu zatwierdzania kredytu hipotecznego-analityka danych , aby wyświetlić listę transakcji.

  3. Dla każdej transakcji kliknij opcję Wyjaśnij w kolumnie Działania . W tym miejscu znajduje się szczegółowe wyjaśnienie tej decyzji. Zostaną wyświetlone najważniejsze dane wejściowe modelu oraz informacje o tym, jak ważne były wyniki końcowe. Niebieskie słupki reprezentują dane wejściowe, które zwykle obsługują decyzję modelu, podczas gdy czerwone słupki przedstawiają dane wejściowe, które mogły doprowadzić do innej decyzji. Na przykład wnioskodawca może mieć wystarczające dochody, aby w przeciwnym razie zostać zatwierdzony, ale jego słaba historia kredytowa i wysoki dług razem prowadzić model odrzucić wniosek. Zapoznaj się z tym wyjaśnieniem, aby uzyskać informacje na temat podstawy decyzji modelu.

  4. Opcjonalnie: Jeśli chcesz zagłębić się w sposób, w jaki model podjął decyzję, kliknij kartę Inspekcja . Użyj funkcji Inspekcja , aby przeanalizować decyzję w celu znalezienia obszarów czułości, w których niewielkie zmiany w kilku danych wejściowych spowodowałyby zmianę decyzji. Można samodzielnie przetestować czułość, nadpisując niektóre z rzeczywistych danych wejściowych alternatywnymi, aby sprawdzić, czy będą one miały wpływ na wynik.

  Sprawdź postęp

  Na poniższym obrazku przedstawiono możliwości wyjaśnienia transakcji w systemie Watson OpenScale. Ustaliłeś, że model jest dokładny i traktujesz sprawiedliwie wszystkich kandydatów. Teraz można przejść do następnej fazy cyklu życia modelu.
  
  

  

  
  Początek strony
  

Czyszczenie (opcjonalne)

Aby ponownie wykonać ten kurs, należy usunąć następujące artefakty.

Następne kroki

• Wypróbuj następujące kursy:

  • Harmonizacja potoku AI z kursem integracji danych
  • Budowanie i wdrażanie kursu modelu
  • Kurs integrowania danych

• Zarejestruj się, aby skorzystać z innego przypadku użycia struktury danych.

Więcej inform.

• Watson Pipelines

• Przegląd produktu Cloud Pak for Data as a Service i struktury danych

Temat nadrzędny: Kursy dotyczące struktury danych