Introduzione rapida: valutare un modello di machine learning

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 00:00.

Questa esercitazione usa un progetto di esempio contenente un modello di machine learning e un notebook per configurare i monitor. Seguire questa procedura per creare un progetto basato su un esempio.

1. Accedere a Valuta un progetto di esempio di modello ML nell'hub risorse.

2. Fare clic su Crea progetto.

3. Se ti viene richiesto di associare il progetto a un'istanza Cloud Object Storage , seleziona un'istanza Cloud Object Storage dall'elenco.

4. Fare clic su Crea.

5. Attendere il completamento dell'importazione del progetto, quindi fare clic su Visualizza nuovo progetto per verificare che il progetto e gli asset siano stati creati correttamente.

6. Fare clic sulla scheda Asset per visualizzare gli asset nel progetto di esempio.

Prima di poter distribuire il modello, è necessario promuovere il modello a un nuovo spazio di distribuzione. Gli spazi di distribuzione consentono di organizzare le risorse di supporto come i dati di input e gli ambienti, di distribuire modelli o funzioni per generare previsioni o soluzioni e di visualizzare o modificare i dettagli di distribuzione.

Eseguire il secondo notebook incluso nel progetto di esempio per:

• Recuperare il modello e le distribuzioni.
• Configurare Watson OpenScale.
• Creare il fornitore del servizio e la sottoscrizione per il proprio servizio di machine learning.
• Configurare il monitor qualità.
• Configurare il monitoraggio della correttezza.
• Configurare l'esplicabilità.

Seguire questa procedura per eseguire il notebook incluso nel progetto di esempio. Questo notebook imposta i monitor per il modello, che possono essere configurati anche tramite l'interfaccia utente. Tuttavia, è più veloce e meno incline agli errori impostarli con un notebook. Prendere un po 'di tempo per leggere i commenti nel notebook, che spiegano il codice in ogni cella.

1. Dal Menu di navigazione , scegliere Progetti> Visualizza tutti i progetti.

2. Aprire il progetto Valuta un modello ML .

3. Fare clic sulla scheda Asset , quindi passare a Notebook.
   

4. Apri il notebook monitor - wml - model - with - watson - openscale .

5. Poiché il notebook è in modalità di sola lettura, fare clic sull'icona Modifica per posizionare il notebook in modalità di modifica.

6. Quando si è importato il progetto dall'hub di risorse, la prima cella di questo blocco note contiene il token di accesso del progetto. Se questo notebook non contiene una prima cella con un token di accesso al progetto, quindi per generare il token, dal menu Altro , selezionare Inserisci token del progetto. Questa azione inserisce una nuova cella come prima cella nel notebook contenente il token del progetto.

7. Nella sezione Fornisci la tua chiave API IBM Cloud , devi passare le credenziali all'API Watson Machine Learning utilizzando una chiave API. Se non disponi già di una chiave API salvata, attieniti a questa procedura per creare una chiave API.

   1. Accedi alla pagina delle chiavi API della consoleIBM Cloud.

   2. Fai clic su Crea una chiave API IBM Cloud. Se hai delle chiavi API esistenti, il pulsante può essere etichettato come Crea.

   3. Immettere un nome e una descrizione.

   4. Fare clic su Crea.

   5. Copia la chiave API.

   6. Scarica la chiave API per un utilizzo futuro.

   7. Torna al notebook e incolla la chiave API nel campo ibmcloud_api_key .

8. In 3. Sezione Modello e distribuzione , verificare i valori assegnati alle variabili space_name, model_namee deployment_name .

9. Fare clic su Cella> Esegui tutto per eseguire tutte le celle nel notebook. In alternativa, fare clic sull'icona Esegui accanto a ciascuna cella per eseguire il notebook cella per cella per esplorare ciascuna cella e il relativo output.

10. Il completamento del notebook richiede da 1 a 3 minuti. È possibile controllare la cella di avanzamento per cella notando l'asterisco "In [*]" che cambia in un numero, ad esempio "In [1]".

11. Se si verificano degli errori durante l'esecuzione del notebook, provare i seguenti suggerimenti per la risoluzione dei problemi:

    • Fare clic su Kernel> Restart & Clear Output per riavviare il kernel, quindi eseguire nuovamente il notebook.

    • Elimina eventuali distribuzioni Watson OpenScale esistenti ed esegui il provisioning di una nuova istanza del servizio.

    • Verificare di aver creato lo spazio di distribuzione e il nome della distribuzione copiando e incollando il nome della risorsa specificato esattamente senza spazi iniziali o finali.

Per visualizzare in anteprima questa attività, guardare il video a partire dalle 03:35.

Segui questa procedura per scaricare i dati di holdout e utilizzali per valutare il modello in Watson OpenScale:

1. Fare clic sul progetto Valuta un modello ML nella traccia di navigazione.

   

2. Sulla scheda Asset , fare clic su Dati> Asset dati.

3. Fare clic sul menu Overflow per l'asset di dati GoldenBank_HoldoutData.csv e scegliere Download. Per convalidare che il modello funziona come richiesto, hai bisogno di una serie di dati con etichetta, che sono stati tenuti fuori dalla formazione del modello. Questo file CSV contiene i dati di controllo.

4. Avvia Watson OpenScale.

   1. Dal Menu di navigazione , scegli Servizi> Istanze del servizio.

   2. Fare clic sull'istanza Watson OpenScale per aprire la pagina dell'istanza del servizio. Se richiesto, accedi utilizzando le stesse credenziali che hai utilizzato per registrarti a Cloud Pak for Data.

      Nota:La tua istanza può avere un nome differente, come ad esempio `watsonx.governance-xx`.

   3. Nella pagina dell'istanza del servizio Watson OpenScale , fai clic su Launch Watson OpenScale.
      

5. Nel dashboard Insights, fai clic sul tile Mortgage Approval Model Deployment .

6. Dal menu Azioni , selezionare Valuta ora.

7. Dall'elenco di opzioni di importazione, selezionare dal file CSV.

8. Trascinare il file di dati Golden Bank_HoldoutData.csv scaricato dal progetto nel pannello laterale.

9. Fare clic su Carica e valuta e attendere il completamento della valutazione.

Per visualizzare in anteprima questa attività, guardare il video a partire dalle 04:00.

Il monitor della qualità Watson OpenScale genera una serie di metriche per valutare la qualità del proprio modello. È possibile utilizzare queste metriche di qualità per determinare in che modo il modello prevede i risultati. Quando la valutazione che utilizza i dati di holdout viene completata, attenersi alla seguente procedura per osservare la qualità o l'accuratezza del modello:

1. Nella sezione Qualità , fare clic sull'icona Configura . Qui puoi vedere che la soglia di qualità configurata per questo monitor è del 70% e che la misura della qualità utilizzata è un'area sotto la curva ROC.

2. Fare clic su Vai al riepilogo del modello per tornare alla finestra dei dettagli del modello.

3. Nella sezione Qualità , fare clic sull'icona Dettagli per visualizzare i risultati dettagliati della qualità del modello. Qui è possibile vedere un certo numero di calcoli di metrica di qualità e una matrice di confusione che mostra le decisioni del modello corrette insieme a falsi positivi e falsi negativi. L'area calcolata sotto la curva ROC è 0.9 o superiore, che supera la soglia 0.7 , quindi il modello soddisfa i requisiti di qualità.

4. Fare clic su Distribuzione modello di approvazione mutuo nella traccia di navigazione per tornare alla schermata dei dettagli del modello.

Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 05:41.

Il monitor della correttezza Watson OpenScale genera una serie di metriche per valutare la correttezza del tuo modello. È possibile utilizzare le metriche di correttezza per stabilire se il proprio modello produce risultati distorti. Attenersi alla seguente procedura per osservare la correttezza del modello:

1. Nella sezione Correttezza , fare clic su Configura . Qui si vede che il modello è in fase di revisione per garantire che i candidati siano trattati in modo equo indipendentemente dal loro sesso. Le donne sono identificate come il gruppo monitorato per il quale viene misurata la correttezza e la soglia per la correttezza deve essere almeno dell ' 80%. Il controllo della correttezza utilizza il metodo di impatto disparato per determinare la correttezza. L'impatto disparato confrontava la percentuale di risultati favorevoli per un gruppo monitorato con la percentuale di risultati favorevoli per un gruppo di riferimento.

2. Fare clic su Vai al riepilogo del modello per tornare alla finestra dei dettagli del modello.

3. Nella sezione Correttezza , fare clic sull'icona Dettagli per visualizzare i risultati dettagliati della correttezza del modello. Qui viene visualizzata la percentuale di candidati di sesso maschile e femminile che vengono approvati automaticamente, insieme a un punteggio di correttezza superiore al 100%, in modo che le prestazioni del modello superino di gran lunga la soglia di correttezza dell ' 80% richiesta.

4. Prendere nota dei dataset identificati. Per garantire che le metriche di correttezza siano più accurate, Watson OpenScale utilizza la perturbazione per determinare i risultati in cui vengono modificati solo gli attributi protetti e gli input del modello correlati, mentre le altre funzioni rimangono le stesse. La perturbazione modifica i valori della funzione dal gruppo di riferimento al gruppo monitorato o viceversa. Questi ulteriori guardrail vengono utilizzati per calcolare la correttezza quando viene utilizzato il dataset "bilanciato", ma è anche possibile visualizzare i risultati della correttezza utilizzando solo i dati di addestramento del modello o del payload. Poiché il modello si comporta correttamente, non è necessario entrare in ulteriori dettagli per questa metrica.

   

5. Fare clic sul percorso di navigazione Distribuzione del modello di approvazione del mutuo per tornare al pannello dei dettagli del modello.

Per visualizzare in anteprima questa attività, guardare il video a partire dalle 07:25.

Il monitoraggio della deviazione Watson OpenScale misura le modifiche nei dati nel tempo per assicurare risultati coerenti per il modello. Utilizzare le valutazioni di deviazione per identificare le modifiche nell'output del modello, la precisione delle previsioni e la distribuzione dei dati di input. Attenersi alla seguente procedura per osservare la deviazione del modello:

1. Nella sezione Deviazione , fare clic su Configura . Qui vengono visualizzate le soglie di deviazione. La deviazione dell'output misura la variazione nella distribuzione della confidenza del modello. La deviazione della qualità del modello misura la diminuzione dell'accuratezza confrontando la precisione del tempo di esecuzione stimato con l'accuratezza dell'addestramento. La deviazione della funzione misura la modifica nella distribuzione del valore per funzioni importanti. La configurazione mostra anche il numero di funzioni selezionate e le funzioni più importanti.

2. Fare clic su Vai al riepilogo del modello per tornare alla finestra dei dettagli del modello.

3. Nella sezione Drift , fare clic sull'icona Dettagli per visualizzare i risultati dettagliati della deviazione del modello. È possibile visualizzare la cronologia di come cambia ogni punteggio di metrica nel tempo con un grafico di serie temporali. I valori inferiori sono migliori, quindi, in questo caso, i risultati sono superiori alle soglie superiori impostate nella configurazione. Quindi, visualizzare i dettagli sul modo in cui vengono calcolati l'output dei punteggi e le drift delle funzioni. Puoi anche visualizzare dettagli su ogni funzione per comprendere come contribuiscono ai punteggi generati da Watson OpenScale .

4. Fare clic sul percorso di navigazione Distribuzione del modello di approvazione del mutuo per tornare al pannello dei dettagli del modello.

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 08:46.

È anche importante capire come il modello sia giunto alla decisione. Questa comprensione è necessaria sia per spiegare le decisioni alle persone coinvolte nell'approvazione del mutuo sia per garantire ai proprietari del modello che le decisioni siano valide. Per comprendere queste decisioni, attenersi alla seguente procedura per osservare l'esplicabilità del modello:

1. Nel pannello di navigazione a sinistra, fare clic sull'icona Spiega una transazione .

2. Selezionare Distribuzione modello di approvazione mutuo per visualizzare un elenco di transazioni.

3. Per qualsiasi transazione, fare clic su Spiega nella colonna Azioni . Qui vedete la spiegazione dettagliata di questa decisione. Verranno visualizzati gli input più importanti per il modello e l'importanza di ciascuno per il risultato finale. Le barre blu rappresentano gli input che tendono a supportare la decisione del modello mentre le barre rosse mostrano gli input che potrebbero aver portato a un'altra decisione. Ad esempio, un richiedente potrebbe avere un reddito sufficiente per essere altrimenti approvato, ma la sua storia di credito scadente e il debito elevato insieme portano il modello a rifiutare la domanda. Esaminare questa spiegazione per essere soddisfatti della base della decisione del modello.

4. (Facoltativo) Se si desidera approfondire il modo in cui il modello ha preso la sua decisione, fare clic sulla scheda Ispeziona . Utilizzare la funzione Ispeziona per analizzare la decisione di trovare aree di sensibilità in cui piccole modifiche a pochi input risulterebbero in una decisione diversa ed è possibile testare la sensibilità sovrascrivendo alcuni degli input effettivi con alternative per vedere se questi avrebbero un impatto sul risultato.