Translation not up to date
Aby usprawnić odpowiedzialne, przejrzyste i wytłumaczalne przepływy pracy sztucznej inteligencji, przedsiębiorstwo potrzebuje zintegrowanego systemu do śledzenia, monitorowania i ponownego trenowania modeli sztucznej inteligencji. Cloud Pak for Data as a Service udostępnia procesy i technologie, które umożliwiają przedsiębiorstwu monitorowanie, konserwację, automatyzację i nadzorowanie modeli uczenia maszynowego i sztucznej inteligencji w środowisku produkcyjnym.
Obejrzyj ten film wideo, aby zapoznać się z zastosowaniem rozwiązania do nadzoru nad sztuczną inteligencją.
Ten film wideo zawiera wizualną metodę zapoznawania się z pojęciami i zadaniami opisanymi w tej dokumentacji.
Wyzwania
Wdrażając przypadek użycia nadzoru nad sztuczną inteligencją, można rozwiązać następujące problemy dotyczące przedsiębiorstwa:
- Zapewnienie nadzoru nad modelem i zgodności z przepisami
- Organizacje muszą śledzić i dokumentować szczegółową historię modeli, aby zapewnić zgodność i zapewnić widoczność wszystkim interesariuszom.
- Zarządzanie ryzykiem i zapewnianie odpowiedzialności za AI
- Organizacje muszą monitorować modele w środowisku produkcyjnym, aby upewnić się, że są one poprawne i dokładne oraz że nie wprowadzają uprzedzeń ani nie oddalają się od zamierzonych celów.
- Operowanie cyklem życia modelu
- Organizacje muszą implementować powtarzalne procesy, aby efektywnie ponownie trenować i wdrażać modele w środowiskach produkcyjnych.
Przykład: wyzwania związane z Złotym Bankiem
Postępuj zgodnie z opisem Golden Bank, wdrażając proces nadzoru nad sztuczną inteligencją (AI), aby zapewnić zgodność i wyjaśnienie nowego procesu aplikacji online. Analitycy biznesowi w Golden Bank muszą przejrzeć informacje o modelu, aby zapewnić zgodność, certyfikować postęp modelu od projektowania do produkcji i generować raporty w celu udostępnienia lub zarchiwizowania.
Proces
Aby wdrożyć nadzór nad sztuczną inteligencją w przedsiębiorstwie, organizacja może postępować zgodnie z następującym procesem:
Usługi Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog w serwisie Cloud Pak for Data as a Service udostępniają narzędzia i procesy potrzebne organizacji do zaimplementowania rozwiązania do nadzoru nad sztuczną inteligencją.
1. Modele ścieżek
Zespół może śledzić modele uczenia maszynowego od żądania do produkcji i oceniać, czy są one zgodne z przepisami i wymaganiami organizacji.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Arkusze faktów | W spisie zasobów modelu w katalogu w Watson Knowledge Catalogutwórz przypadek użycia dla nowego modelu. Wyświetl status cyklu życia dla wszystkich zarejestrowanych zasobów i przejdź do szczegółowych arkuszy faktów dla modeli lub wdrożeń, które są zarejestrowane w przypadku użycia modelu. Wyświetl ogólne szczegóły modelu, informacje o trenowaniu i metryki oraz schemat wejściowy i wyjściowy. Wyświetl ogólne szczegóły wdrożenia, szczegóły oceny, metryki jakości, szczegóły rzetelności i szczegóły dryftu. |
Musisz poprosić zespół analityków danych o nowy model. Należy upewnić się, że model jest zgodny i działa zgodnie z oczekiwaniami. Należy określić, czy konieczna jest aktualizacja modelu na podstawie danych śledzenia. Raporty dotyczące modelu mają być uruchamiane w celu współużytkowania lub zachowania szczegółów. |
Przykład: śledzenie modelu Golden Bank
Analitycy biznesowi w Golden Bank żądaj "Mortgage Approval Model" (Model zatwierdzania kredytów hipotecznych). Następnie mogą śledzić model na wszystkich etapach cyklu życia sztucznej inteligencji, gdy analitycy danych tworzą i trenują model, a inżynierowie ModelOps wdrażają i oceniają go. Arkusze faktów dokumentują szczegóły dotyczące historii modelu i generują metryki, które pokazują jego wydajność.
2. Modele wdrożone w programie Monitor
Po wdrożeniu modeli ważne jest, aby zarządzać nimi i monitorować je, aby upewnić się, że są one zrozumiałe i przezroczyste. Analitycy danych muszą być w stanie wyjaśnić, w jaki sposób modele docierają do pewnych predykcji, aby mogły określić, czy predykcje mają jakieś niejawne lub jawne odchylenie. Ponadto sprawdzoną procedurą jest obserwowanie problemów z wydajnością modelu i spójnością danych podczas cyklu życia modelu.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson OpenScale | Problemy z jasnością modelu monitorowania w wielu funkcjach. Wydajność modelu monitorowania i spójność danych w czasie. Wyjaśnij, w jaki sposób model dotarł do pewnych predykcji z ważonymi czynnikami. Zachować nadzór nad modelem i jego cykl życia oraz generować raporty na ich temat w całej organizacji. |
Istnieją funkcje, które są chronione lub mogą przyczynić się do zapewnienia rzetelności predykcji. Chcesz śledzić wydajność modelu i spójność danych w czasie. Chcesz wiedzieć, dlaczego model daje pewne predykcje. |
Przykład: monitorowanie modelu Golden Bank
Analitycy danych z Golden Bank używają rozwiązania Watson OpenScale do monitorowania wdrożonego modelu "Mortgage Approval Model" (Model zatwierdzania kredytów hipotecznych), aby zapewnić jego dokładność i sprawiedliwe traktowanie wszystkich wnioskodawców ubiegających się o kredyt hipoteczny z Golden Bank. Użytkownicy uruchamiają notatnik w celu skonfigurowania monitorów dla modelu, a następnie dotrą konfigurację za pomocą interfejsu użytkownika Watson OpenScale . Korzystając z pomiarów z monitora jakości i monitora sprawiedliwości Watson OpenScale , analitycy danych określają, jak dobrze model przewiduje wyniki i czy generuje wyniki obciążone uprzedzeń. Uzyskają również informacje na temat sposobu, w jaki model odnosi się do decyzji, tak aby decyzje można było wyjaśnić wnioskodawcom ubiegającym się o kredyt hipoteczny.
3. Zautomatyzuj cykl życia ML
Dzięki rozwiązaniu Watson PipelinesTwój zespół może zautomatyzować i uprościć cykl życia technologii MLOps i AI.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson Pipelines | Za pomocą potoków można tworzyć powtarzalne i zaplanowane przepływy, które automatyzują potoki uczenia maszynowego, od przyjmowania danych po trenowanie, testowanie i wdrażanie modeli. | Chcesz zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps. |
Przykład: zautomatyzowany cykl życia ML Golden Bank
Analitycy danych w Golden Bank mogą wykorzystać potoki do zautomatyzowania całego cyklu życia i procesów nadzoru nad sztuczną inteligencją, aby uprościć proces przekwalifikowania modelu.
Kursy dotyczące nadzoru nad sztuczną inteligencją
| Samouczek | Opis | Wiedza specjalistyczna na potrzeby kursu |
|---|---|---|
| Budowanie i wdrażanie kursu modelu | Wytrenuj model, awansuj go do obszaru wdrażania i wdróż model. | Uruchom notatnik. |
| Testowanie i sprawdzanie poprawności kursu modelu | Ocena modelu pod kątem dokładności, rzetelności i wytłumaczalności. | Uruchom notatnik i wyświetl wyniki w interfejsie użytkownika. |
Więcej inform.
- Przegląd produktuWatson Studio
- Watson Machine Learning -przegląd
- Przegląd produktuWatson OpenScale
- Przegląd produktuWatson Knowledge Catalog
- Wideo
Temat nadrzędny: Przegląd rozwiązania do obsługi sieci światłowodowej danych