Translation not up to date
Chcete-li řídit odpovědné, transparentní a vysvětlitelné sledy prací AI, potřebuje váš podnik integrovaný systém pro sledování, monitorování a přetrénování modelů AI. Produkt Cloud Pak for Data as a Service poskytuje procesy a technologie, které vašemu podniku umožňují monitorovat, udržovat, automatizovat a řídit strojové učení a modely AI v produktivním prostředí.
Podívejte se na toto video, abyste viděli případ použití pro implementaci řešení řízení AI.
Toto video poskytuje vizuální metodu, jak se seznámit s koncepty a úlohami v této dokumentaci.
Výzvy
Implementováním příkladu použití řízení AI můžete vyřešit následující výzvy pro váš podnik:
- Zajištění řízení modelu a dodržování předpisů
- Organizace musí sledovat a dokumentovat podrobnou historii modelů, aby zajistily shodu a poskytly přehled všem zainteresovaným osobám.
- Správa rizik a zajištění zodpovědné umělé inteligence
- Organizace musí monitorovat modely v produkci, aby se ujistily, že modely jsou platné a přesné a že nezavádějí zaujatost nebo nevzdalují se od zamýšlených cílů.
- Provozování životního cyklu modelu
- Organizace musí implementovat opakovatelné procesy, aby mohly efektivně znovu trénovat a implementovat modely do produkčních prostředí.
Příklad: výzvy zlaté banky
Sledujte příběh Golden Bank, jak implementuje proces řízení AI, aby se zajistilo, že její nový proces online aplikace je kompatibilní a vysvětlitelný. Obchodní analytici ve společnosti Golden Bank musí zkontrolovat informace o modelu, aby zajistili shodu, certifikovat průběh modelu od vývoje k výrobě a generovat sestavy ke sdílení nebo archivaci.
Proces
Chcete-li implementovat řízení AI pro váš podnik, může vaše organizace postupovat podle tohoto procesu:
Služby Watson Studio, Watson Machine Learning, Watson OpenScalea Watson Knowledge Catalog v produktu Cloud Pak for Data as a Service poskytují nástroje a procesy, které vaše organizace potřebuje k implementaci řešení řízení AI.
1. Sledovat modely
Váš tým může sledovat vaše modely strojového učení od požadavku po produkci a vyhodnotit, zda modely splňují předpisy a požadavky vaší organizace.
Co můžete použít | Co můžete udělat | Nejlepší použít, když |
---|---|---|
factsheets | V inventáři modelu v katalogu v produktu Watson Knowledge Catalogvytvořte případ použití pro nový model. Zobrazte stav životního cyklu pro všechna registrovaná aktiva a přejděte na podrobné informační listy pro modely nebo nasazení, které jsou registrovány v případu použití modelu. Zobrazit obecné podrobnosti modelu, informace o školení a metriky a vstupní a výstupní schéma. Zobrazit obecné podrobnosti nasazení, podrobnosti vyhodnocení, metriky kvality, podrobnosti o férovosti a podrobnosti o drift. |
Musíte si vyžádat nový model od svého týmu pro datové vědy. Chcete se ujistit, že váš model je vyhovující a funguje podle očekávání. Chcete určit, zda potřebujete aktualizovat model na základě dat sledování. Chcete spustit sestavy na modelu, abyste sdíleli nebo zachovali podrobnosti. |
Příklad: sledování modelu Golden Bank
Obchodní analytici na Golden Bank požádají o "model schválení hypotéky". Poté mohou sledovat model ve všech fázích životního cyklu umělé inteligence, jak datoví vědci sestavují a trénují model a inženýři ModelOps jej nasazují a vyhodnocují. Informační listy dokumentují podrobnosti o historii modelu a generují metriky, které zobrazují jeho výkon.
2. Implementované modely monitorování
Po implementaci modelů je důležité je řídit a monitorovat, aby byly vysvětlitelné a transparentní. Datoví vědci musí být schopni vysvětlit, jak modely přicházejí k určitým předpovědím, aby mohli určit, zda mají předpovědi nějaké implicitní nebo explicitní zkreslení. Kromě toho je doporučeným postupem sledovat problémy s výkonem modelu a konzistencí dat během životního cyklu modelu.
Co můžete použít | Co můžete udělat | Nejlepší použít, když |
---|---|---|
Watson OpenScale | Problémy se spravedlností modelu monitorování v rámci více funkcí. Výkon modelu monitorování a konzistence dat v průběhu času. Vysvětlete, jak model dospěl k určitým předpovědím s váženými faktory. Udržujte a vykazujte řízení modelu a životní cyklus v rámci vaší organizace. |
Máte funkce, které jsou chráněné, nebo které mohou přispět ke spravedlnosti předpovědí. Chcete trasovat výkon modelu a konzistenci dat v průběhu času. Chcete vědět, proč model poskytuje určité předpovědi. |
Příklad: Monitorování modelu Golden Bank
Datoví vědci ze společnosti Golden Bank používají Watson OpenScale k monitorování nasazeného "modelu schválení hypotéky", aby se zajistilo, že je přesný a že se všemi žadateli o hypotéku Golden Bank zachází spravedlivě. Spustí zápisník pro nastavení monitorů pro model a poté vyladí konfiguraci pomocí uživatelského rozhraní Watson OpenScale . Pomocí metrik z monitoru kvality Watson OpenScale a spravedlivého monitorování určují datoví vědci, jak dobře model předpovídá výsledky a zda vytváří zkreslené výsledky. Také získají přehled o tom, jak model přichází k rozhodnutím, aby rozhodnutí mohla být vysvětlena žadatelům o hypotéku.
3. Automatizace životního cyklu ML
Váš tým může automatizovat a zjednodušit životní cyklus MLOps a AI pomocí Watson Pipelines.
Co můžete použít | Co můžete udělat | Nejlepší použít, když |
---|---|---|
Watson Pipelines | Pomocí kanálů můžete vytvářet opakovatelné a naplánované toky, které automatizují propojení procesů strojového učení, od příjmu dat až po trénování, testování a implementaci modelu. | Chcete automatizovat některé nebo všechny kroky v toku MLOps. |
Příklad: Automatizovaný životní cyklus ML společnosti Golden Bank
Datoví vědci ze společnosti Golden Bank mohou využívat potrubí k automatizaci svého kompletního životního cyklu řízení umělé inteligence a procesů ke zjednodušení procesu rekvalifikace modelu.
Výukové programy pro řízení AI
Výukový program | Popis | Odborné znalosti pro výukový program |
---|---|---|
Výukový program pro sestavení a implementaci modelu | Natrénujte model, povyšte jej do prostoru implementace a implementujte model. | Spusťte zápisník. |
Testujte a ověřte výukový program modelu | Vyhodnoťte model z hlediska přesnosti, spravedlnosti a vysvětlitelnosti. | Spusťte zápisník a zobrazte výsledky v uživatelském rozhraní. |
Další informace
Nadřízené téma: Přehled řešení datového prostředí Fabric