AI-przypadek użycia zarządzania
Aby prowadzić odpowiedzialne, przejrzyste i wytłumaczalne przepływy pracy AI, przedsiębiorstwo potrzebuje zintegrowanego systemu do śledzenia, monitorowania i przekwalifikowania modeli AI. Cloud Pak for Data as a Service udostępnia procesy i technologie umożliwiające przedsiębiorstwu monitorowanie, konserwowanie, automatyzowanie i zarządzanie modelami uczenia maszynowego i AI w środowisku produkcyjnym.
Obejrzyj ten film wideo, aby zobaczyć przypadek użycia sieci Fabric do zaimplementowania rozwiązania do zarządzania sztuczną inteligencją w Cloud Pak for Data(Cloud Pak for Data).
Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.
Wyzwania
Stworzenie rozwiązań w zakresie zarządzania sztuczną inteligencją dla przedsiębiorstw wiąże się z następującymi wyzwaniami:
- Zapewnienie zarządzania modelami i zgodnością z nim
- Organizacje muszą śledzić i dokumentować szczegółową historię modeli w celu zapewnienia zgodności i zapewnienia widoczności dla wszystkich zainteresowanych stron.
- Zarządzanie ryzykiem i zapewnianie odpowiedzialnej AI
- Organizacje muszą monitorować modele w środowisku produkcyjnym w celu zapewnienia, że modele są poprawne i dokładne, oraz że nie wprowadzają ani nie odstępują ani nie odpływają od zamierzonych celów.
- Operacjonalizacja cyklu życia modelu
- Organizacje muszą implementować powtarzalne procesy, aby sprawnie przećwiczyć i wdrażać modele w środowiskach produkcyjnych.
Aby rozwiązać te problemy, należy zaimplementować cykl życia zarządzania sztuczną inteligencją (AI governance) z siecią Fabric na platformie Cloud Pak for Data as a Service.
Przykład: wyzwania Golden Bank
Postępuj zgodnie z historią Golden Bank, ponieważ realizuje proces zarządzania AI, aby zapewnić, że jego nowy proces aplikacji online jest zgodny i wytłumaczalny. Analitycy biznesowi w Golden Bank muszą przeglądać informacje o modelu w celu zapewnienia zgodności, certyfikowania postępu modelu z poziomu rozwoju do produkcji oraz generowania raportów do współużytkowania lub archiwizacji.
Proces
Aby zaimplementować zarządzanie sztuczną inteligencją dla przedsiębiorstwa, organizacja może śledzić ten proces:
Usługi Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog w środowisku Cloud Pak for Data as a Service udostępniają narzędzia i procesy, których organizacja potrzebuje do wdrożenia rozwiązania do zarządzania sztuczną inteligencją.
1. Modele śledzenia
Twój zespół może śledzić Twoje modele uczenia maszynowego od żądania do produkcji i ocenić, czy modele są zgodne z przepisami i wymaganiami Twojej organizacji.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| arkusze Factsheets | W spisie zasobów w katalogu Watson Knowledge Catalogutwórz przypadek użycia dla nowego modelu. Wyświetl status cyklu życia dla wszystkich zarejestrowanych zasobów i przejdź do szczegółowych arkuszy dla modeli lub wdrożeń zarejestrowanych w przypadku użycia modelu. Wyświetl ogólne szczegóły modelu, informacje o szkoleniach i metrykach oraz schemat wejściowy i wyjściowy. Wyświetl ogólne szczegóły wdrożenia, szczegóły oceny, pomiary jakości, szczegółowe informacje o rzetelności i szczegółowe informacje. |
Musisz poprosić o nowy model z zespołu ds. danych. Użytkownik chce upewnić się, że model jest zgodny i zgodny z oczekiwaniami. Użytkownik chce określić, czy konieczna jest aktualizacja modelu w oparciu o dane śledzenia. Użytkownik chce uruchamiać raporty na modelu w celu współużytkowania lub zachowania szczegółów. |
Przykład: model śledzenia modelu Golden Bank
Analitycy biznesowi w Golden Bank zwracają się do "Modelu Zatwierdzania Kredytów Hipotecznych". Mogą one następnie śledzić model przez wszystkie etapy cyklu życia AI jako naukowcy danych budują i szkolić model i inżynierowie ModelOps wdrażają i oceniają ten model. Arkusze factsheets zawierają szczegółowe informacje na temat historii modelu i generują metryki, które pokazują jego wydajność.
2. Monitorowanie wdrożonych modeli
Po wdrożeniu modeli ważne jest, aby zarządzać nimi i monitorować je, aby upewnić się, że są one wytłumaczalne i przejrzyste. Naukowcy danych muszą być w stanie wyjaśnić, w jaki sposób modele docierają do określonych predykcji, aby określić, czy predykcje mają jakiekolwiek niejawne czy jawne bias. Ponadto sprawdzoną procedurą jest obserwowanie wydajności modelu i spójności danych w trakcie cyklu życia modelu.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson OpenScale | Monitorowanie modelu sprawiedliwości modelu w wielu funkcjach. Monitorowanie wydajności i spójności danych w czasie. Wyjaśnij, w jaki sposób model dotarł do określonych predykcji z ważonymi czynnikami. Obsługa i raportowanie modelu zarządzania i cyklu życia w całej organizacji. |
Dostępne są opcje chronione lub które mogą przyczyniać się do zapewnienia rzetelności predykcji. Użytkownik chce śledzić wydajność modelu i spójność danych w czasie. Użytkownik chce wiedzieć, dlaczego model daje określone predykcje. |
Przykład: Model monitorowania modelu Golden Bank
Analitycy danych w Golden Bank wykorzystują Watson OpenScale do monitorowania wdrożonego modelu "Mortgage Approval Model" (Model Kredytu Hipotecznego) w celu zapewnienia rzetelnego i rzetelnego traktowania wszystkich wnioskodawców kredytów hipotecznych typu Golden Bank (Golden Bank). Użytkownicy uruchamiają notatnik w celu skonfigurowania monitorów dla modelu, a następnie tosłabiają konfigurację za pomocą interfejsu użytkownika Watson OpenScale . Korzystając z pomiarów z monitora jakości Watson OpenScale i monitora wartości godziwości, dane naukowcy określają, jak dobrze model przewiduje wyniki, a także, czy wyniki są tendencyjnie osiągane w sposób dwustronny. Dostają też spostrzeżenia na temat tego, jak model przychodzi do decyzji, aby decyzje można było tłumaczyć aplikantami hipotecznymi.
3. Automatyzacja cyklu życia ML
Zespół ten może zautomatyzować i uprościć cykl życia MLOps i AI przy użyciu Watson Pipelines.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson Pipelines | Rurociągi umożliwiają tworzenie powtarzalnych i zaplanowanych przepływów, które automatyzują rurociągi do uczenia maszynowego, od przyjmowania danych do szkolenia modelowego, testowania i wdrażania. | Użytkownik chce zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps. |
Przykład: zautomatyzowany cykl życia ML w Golden Bank
Naukowcy danych w Golden Bank mogą korzystać z rurociągów, aby zautomatyzować ich kompletny cykl życia i procesy zarządzania sztuczną inteligencją, aby uprościć proces przekwalifikowania modelu.
Kursy dotyczące zarządzania sztuczną inteligencją
| Samouczek | Opis | Ekspertyza dla kursu |
|---|---|---|
| Budowanie i wdrażanie kursu modelu | Trenuj model, awansuj go do miejsca wdrożenia i wdróż model. | Uruchom notatnik. |
| Test i sprawdzanie poprawności kursu modelu | Ocena modelu pod kątem dokładności, rzetelności i wytłumaczalności. | Uruchamianie notatnika i wyświetlanie wyników w interfejsie użytkownika. |
Więcej inform.
- Watson Studio -przegląd
- Watson Machine Learning -przegląd
- Watson OpenScale -przegląd
- Przegląd produktu Watson Knowledge Catalog
- Wideo
Temat nadrzędny: Przegląd rozwiązania dla sieci Fabric