0 / 0
Go back to the English version of the documentation
Sprawowanie nadzoru nad sztuczną inteligencją

Sprawowanie nadzoru nad sztuczną inteligencją

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:

  1. Śledzenie modeli
  2. Modele monitorowania
  3. Automatyzacja cyklu życia sztucznej inteligencji

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.

Ilustracja przedstawiająca przepływ w ramach 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.

Temat nadrzędny: Przegląd rozwiązania do obsługi sieci światłowodowej danych

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more