Případ použití v řízení influenzy ptáků | IBM Cloud Pak for Data as a Service

Přejít zpět na anglickou verzi dokumentace

Případ použití v řízení influenzy ptáků

Chcete-li řídit odpovědnou, transparentní a vysvětlitelné sledy prací AI, váš podnik potřebuje integrovaný systém pro sledování, monitorování a rekvalifikaci modelů AI. Cloud Pak for Data as a Service poskytuje procesy a technologie, které umožňují vašemu podniku monitorovat, udržovat, automatizovat a řídit strojové vzdělávání a modely AI v produkčním prostředí.

Podívejte se na toto video, chcete-li zobrazit případ použití datového prostředí Fabric pro implementaci řešení regulace AI v produktu Cloud Pak for Data.

Toto video poskytuje vizuální metodu pro seznámení se s koncepty a úlohami v této dokumentaci.

Výzvy

Zavedení řešení správy influenzy ptáků pro podniky zahrnuje řešení těchto problémů:

Zajištění řízení a dodržování předpisů modelu: Organizace musí sledovat a dokumentovat podrobnou historii modelů a zajistit tak dodržování předpisů a zajistit viditelnost všem zainteresovaným osobám.
Správa rizik a zajištění odpovědné AI: Organizace musí monitorovat modely v produkci, aby se zajistilo, že modely jsou platné a přesné, a že nezavedou předpojatost nebo unáší od zamýšlených cílů.
Operacionalizaci životního cyklu modelu: Organizace potřebují implementovat opakovatelné procesy k efektivnímu přeškolení a implementaci modelů do produkčních prostředí.

Tyto výzvy můžete vyřešit implementací životního cyklu regulace AI s datovým prostředím Fabric na Cloud Pak for Data as a Service.

Příklad: výzvy Golden Bank

Sledujte příběh společnosti Golden Bank, protože implementuje proces řízení AI, aby se zajistilo, že jeho nový online proces aplikace je vyhovující a vysvětlitelný. Obchodní analytici v Golden Bank musí přezkoumat informace o modelu, aby bylo zajištěno dodržování předpisů, certifikace průběhu vývoje od vývoje až po produkci a generování sestav pro sdílení či archivaci.

Proces

Chcete-li implementovat řízení AI pro váš podnik, může vaše organizace sledovat tento proces:

Modely sledování
Modely monitorování
Automatizace životního cyklu AI

Produkty 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 regulace AI.

Obrázek vyobrazující tok případu použití řízení AI

1. Sledování modelů

Váš tým může sledovat své strojové modely od požadavku na produkci a vyhodnotit, zda modely splňují požadavky a požadavky vaší organizace.

Co lze použít	Co můžete dělat	Nejlepší pro použití, když
Facelisty	V soupisu modelu v katalogu v produktu Watson Knowledge Catalogvytvořte případ použití pro nový model. Zobrazit stav životního cyklu pro všechna registrovaná aktiva a přejít na podrobné informační listy pro modely nebo implementace, které jsou registrovány pro případ použití modelu. Zobrazit obecné podrobnosti modelu, školení informací a metrik a vstupní a výstupní schéma. Zobrazit obecné podrobnosti implementace, podrobnosti vyhodnocení, metrika kvality, metriky kvality podrobnosti o spravedlnosti a podrobnosti o úletu.	Je třeba požádat o nový model od svého týmu pro práci s daty. Chcete-li se ujistit, že je váš model vyhovující a provádí se podle očekávání. Chcete určit, zda je třeba aktualizovat model na základě dat sledování. Chcete-li spustit sestavy na modelu, abyste mohli sdílet nebo zachovat podrobnosti.

Příklad: Sledování modelu Golden Bank

Obchodní analytici v Golden Bank si vyžádají "Model schválení hypotéky". Mohou pak sledovat model přes všechny fáze životního cyklu AI jako data vědců a školit model a modelky ModelOps implementovat a vyhodnotit jej. Facesheets dokumentování podrobností o historii modelu a generování metrik, které zobrazují jeho výkonnost.

2. Monitorování implementovaných modelů

Po implementaci modelů je důležité řídit a monitorovat je, aby se ujistili, že jsou vysvětlitelné a transparentní. Vědci dat musí být schopni vysvětlit, jak modely dorazí k určitým předpovědím, aby mohly určit, zda mají predikce implicitní nebo explicitní zkreslení. Kromě toho je to nejlepší postup, jak sledovat výkonnost modelu a problémy konzistence dat během životního cyklu modelu.

Co lze použít	Co můžete dělat	Nejlepší pro použití, když
Watson OpenScale	Monitorujte problémy se spravedlností modelu v rámci více funkcí. Monitor výkonu modelu a konzistence dat v čase. Vysvětlete, jak model dorazil k určitým předpovědím s váženými faktory. Údržba a vytváření sestav o řízení a životním cyklu modelu v rámci vaší organizace.	Máte funkce, které jsou chráněné nebo které mohou přispět k poctivosti předpovědí. Chcete trasovat výkon modelu a data nekonzistencí dat v čase. Chcete vědět, proč model dává určité předpovědi.

Příklad: Monitorování modelu Golden Bank

Vědci dat v Golden Bank používají produkt Watson OpenScale k monitorování implementovaného modelu "Mortgage Approval Model", aby bylo zajištěno, že je přesné a zda se všemi hypotékami na hypoteční úvěr společnosti Golden Bank spravedlivě zachází. Spuštění notebooku k nastavení monitorů pro model a poté tweak konfigurace pomocí uživatelského rozhraní Watson OpenScale . Díky metrikám z monitoru kvality produktu Watson OpenScale a monitorování spravedlnosti vám vědci určují, jak dobře model předpovídá výsledky, a za předpokladu, že výsledkem bude zkreslené výsledky. Získává také přehled o tom, jak model přichází k rozhodnutím, aby bylo možné rozhodnutí vysvětlit uchazečům o hypotéku.

3. Automatizace životního cyklu ML

Váš tým může automatizovat a zjednodušit životní cyklus MLOps a AI pomocí produktu Watson Pipelines.

Co lze použít	Co můžete dělat	Nejlepší pro použití, když
Watson Pipelines	Používejte kanály k vytvoření opakovatelných a naplánovaných toků, které automatizují ropovody se strojním zařízením, od požití dat až po modelování školení, testování a implementace.	Chcete automatizovat některé nebo všechny kroky v toku MLOS.

Příklad: Automatizovaný životní cyklus společnosti Golden Bank

Vědci dat v Golden Bank mohou využívat produktovody k automatizaci kompletního životního cyklu a procesů řízení influenzy ptáků, aby zjednodušili proces rekvalifikace.

Výukové programy pro řízení AI

Výukový program	Popis	Odborné znalosti pro výukový program
Výukový program sestavení a implementace modelu	Vycvičte model, povyšte jej do prostoru implementace a implementujte model.	Spusťte notebook.
Výukový program pro testování a ověření platnosti modelu	Vyhodnotit model pro přesnost, poctivost a vysvětlitelnost.	Spusťte notebook a zobrazte výsledky v uživatelském rozhraní.

Další informace

Nadřazené téma: Přehled řešení Fabric dat