0 / 0
Přejděte zpět na anglickou verzi dokumentace
Případ použití MLOps and trustworthy AI
Případ použití MLOps and trustworthy AI

Případ použití MLOps and trustworthy AI

Chcete-li spravovat data a modelová aktiva v rámci celého životního cyklu AI, vaše společnost potřebuje integrované systémy a procesy. Cloud Pak for Data as a Service poskytuje procesy a technologie, které umožňují vašemu podniku vyvinout, implementovat, udržovat a spravovat technologie strojového učení (ML) a modely AI ve výrobě.

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

Toto video poskytuje vizuální metodu jako alternativu k následujícím psaným krokům v této dokumentaci.

Výzvy

Řešení řešení MLOps and trustworthy AI pro podniky zahrnuje řešení těchto problémů:

Přístup k datům
Organizace potřebují poskytovat snadný přístup ke konsolidovaným a regulovaným datům týmům pro práci s daty, kteří používají data k sestavení důvěryhodných aplikací AI a ML.

Operacionalizaci modelů
Organizace potřebují implementovat opakovatelné procesy k sestavení a implementaci modelů a k převzetí modelů v produkčních prostředích.

Zajištění řízení a dodržování předpisů modelu
Organizace musí monitorovat modely v produkci, aby bylo zajištěno, že modely jsou vysvětlitelné, platné a přesné a že nezavádí zkreslení nebo unášené od zamýšlených cílů.

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


Příklad: výzvy Golden Bank

Sledujte příběh společnosti Golden Bank, protože implementuje proces MLOps and trustworthy AI k rozšíření své obchodní činnosti tím, že nabízí nízkoúrokovou obnovu hypoték pro online aplikace. Vědci dat v Golden Bank musí vytvořit model hypotéční schválení, který zabrání nepředvídanému riziku a bude se všemi žadateli spravedlivě zacházet.

Zpracování

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

  1. Sdílet data
  2. Modely sestavení a vlaku
  3. Implementovat modely
  4. Modely monitorování
  5. Modely sledování
  6. 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 pro implementaci produktu MLOps and trustworthy AI solution.

Obrázek ukazuje tok MLOS a případ použití důvěryhodných AI

1. Sdílení dat

Katalog slouží jako úložiště funkcí, kde vaše týmy pro práci s daty mohou vyhledávat vysoce kvalitní datová aktiva s funkcemi, které potřebují. Mohou přidávat datová aktiva z katalogu do projektu, kde spolupracují při přípravě, analýze a modelování dat.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Katalogy Katalogy použijte v produktu Watson Knowledge Catalog jako úložiště funkcí k uspořádání vašich aktiv pro sdílení mezi spolupracovníky ve vaší organizaci.

Využijte výhod sémantického vyhledávání a doporučení, které uživatelům pomohou při hledání toho, co potřebují, využívá sémantické vyhledávání a doporučení s použitím AI.
Uživatelé musí snadno pochopit, spolupracovat, obohatit a přistupovat ke kvalitním datům.

Chcete zvýšit viditelnost dat a spolupráci mezi obchodními uživateli.

Potřebujete uživatele k zobrazení, přístupu, manipulaci a analýze dat bez nutnosti porozumět jeho fyzickému formátu nebo umístění a bez nutnosti přesunu nebo kopírování dat.

Chcete, aby uživatelé vylepšili aktiva podle hodnocení a zkontrolovali je.


Příklad: Katalog Golden Bank

Vedoucí týmu správy vytváří katalog "Mortgage Approval Catalog" a přidává data a vědce dat jako spolupracující spolupracovníci. Data stewards publikují datová aktiva, která byla vytvořena do katalogu. Vědci dat vyhledávají datová aktiva, která jsou v katalogu stokována, v katalogu a kopírují tato aktiva do projektu. Ve svém projektu mohou vědci zpřesnit údaje a připravit je na školení modelu.


2. Sestavovací a vlakové modely

Chcete-li získat prediktivní postřehy založené na vašich datech, vědci, obchodní analytici a strojoví inženýři mohou sestavovat a školit modely. Vědci dat používají služby Cloud Pak for Data as a Service k sestavení modelů AI a zajišťují, aby se k vytváření prognóz používaly správné algoritmy a optimalizace, které pomáhají řešit obchodní problémy.

Co lze použít Co můžete dělat Nejlepší pro použití, když
AutoAI Funkci AutoAI v produktu Watson Studio použijte k automatickému výběru algoritmů, inženýrských funkcí, generování kandidátů na propojení procesů a školicích kandidátů na propojení procesů.

Poté vyhodnoťte seřazených produktovodů a uložte nejlepší modely jako modely.

Implementovat vycvičené modely v prostoru nebo vyexportování cvikového propojení procesů, které se vám líbí z AutoAI do notebooku, aby jej bylo možné upřesnit.
Chcete-li rychle sestavit správnou sadu výukových procesů a modelů, potřebujete pokročilý a automatizovaný způsob sestavení dobré sady výukových programů a modelů.

Chcete-li je upřesnit, chcete exportovat generované produktovody.
Notebooky a skripty Použijte zápisníky a skripty v produktu Watson Studio k napsání vašeho vlastního školicího modelu inženýrského modelu a kódu vyhodnocení v produktu Python, nebo R na základě sad dat odborné přípravy, které jsou k dispozici v projektu, nebo připojení ke zdrojům dat, jako jsou databáze, datová jezera nebo úložiště objektů.

Použijte své oblíbené algoritmy a knihovny.
Chcete použít Python nebo R kódovací schopnosti, abyste měli plnou kontrolu nad kódem, který se používá k vytvoření, trénování a vyhodnocení modelů.
Toky produktu SPSS Modeler Pomocí produktu SPSS Modeler v produktu Watson Studio můžete vytvořit vlastní model školení, vyhodnocení a přidělení skóre na základě školení datových sad, které jsou k dispozici v projektu, nebo připojení k datovým zdrojům, jako jsou databáze, datová jezera nebo objektové úložiště. Chcete jednoduchý způsob prozkoumání dat a definování průběhů modelování, vyhodnocení a přidělení modelu.
RStudio Analyzujte data a modely sestavení a testování pomocí práce s R v produktu RStudio Server s vývojovým prostředím R 3.6. Chcete použít vývojové prostředí pro práci v R.
Decision Optimization Připravte data, importujte modely, vyřešte problémy a porovnejte scénáře, vizualizujte data, najděte řešení, vytvářete sestavy a uložte modely pro implementaci s produktem Watson Machine Learning. Musíte vyhodnotit miliony možností, jak najít to nejlepší řešení pro prescriptivní problém analýzy.
Federované učení Vycvič společný model pomocí distribuovaných dat. Je třeba školit model bez přesunu, kombinování nebo sdílení dat, která jsou distribuována na více místech.


Příklad: Modelová budova Golden Bank a odborná příprava

Vědci dat v Golden Bank vytvářejí model, "Model schválení hypotéky", který se vyhýbá nepředpokládanému riziku a zachází se všemi žadateli spravedlivě. Chtějí sledovat historii a výkon modelu od začátku, takže přidají položku modelu do katalogu "Mortgage Approval Catalog". Mají zápisník, který sestaví model a předpovídá, kteří uchazeči mají nárok na hypotéky. Podrobnosti o školení modelu jsou automaticky zachyceny jako metadata v položce modelu.


3. Implementace modelů

Když členové týmu implementují vaše modely AI, jsou modely k dispozici pro aplikace, které se mají použít pro přidělení skóre a předpovědi, aby pomohly řídit akce.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Uživatelské rozhraní prostorů (UI) Použijte uživatelské rozhraní prostoru v produktu Watson Machine Learning k implementaci modelů a dalších aktiv z projektů do prostorů. Dáváte-li přednost použití uživatelského rozhraní.
Nástroj příkazového řádku (cpdctl) Použijte nástroj příkazového řádku cpdctl v produktu Watson Machine Learning ke správě životního cyklu modelů, včetně nastavení konfigurace, a k automatizaci toku mezi koncovými body, který zahrnuje školení modelu, jeho uložení, vytvoření prostoru implementace a implementaci modelu. Chcete implementovat a spravovat modely pro testovací nebo provozní prostředí z příkazového řádku.


Příklad: Implementace modelu Golden Bank

Členové operačního týmu na společnosti Golden Bank podporují projekt "Mortgage Approval Model" z projektu na prostor implementace a poté vytvoří implementaci modelu online.


4. 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 za určité předpovědi s faktory váhy.

Údržba a vytváření sestav o řízení a životním cyklu modelu v rámci vaší organizace.
Máte-li funkce, které jsou chráněné nebo které mohou přispívat k poctivosti předpovědí.

Je třeba trasovat výkon modelu a data nekonzistence dat v čase.

Je třeba vědět, proč model poskytuje 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 správné se všemi uchazeči o hypoteční úvěr společnosti Golden Bank spravedlivě. 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. Získají také představu o tom, jak model přijde na rozhodnutí, aby rozhodnutí mohla být vysvětlena uchazečům o hypotéku.


5. Sledování modelů

Kromě monitorování vašich modelů za účelem spravedlnosti a vysvětlitelnosti musí váš tým sledovat výrobní modely, aby se ujistil, že se jim daří dobře.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Factsheets V soupisu modelu v katalogu Watson Knowledge Catalogsi prohlédněte stav životního cyklu pro všechna registrovaná aktiva a přejděte na podrobné informační listy pro modely nebo implementace registrované na položku modelu.

Zobrazit obecné podrobnosti modelu, školení informací a metrik a vstupní a výstupní schéma.

Zobrazit obecné podrobnosti implementace, podrobnosti vyhodnocení, podrobnosti o kvalitě, podrobnosti o kvalitě a podrobnosti o úletu.
Chcete-li se ujistit, že se váš model provádí podle očekávání.

Chcete-li určit, zda je třeba provést úpravy.


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, sestavit a trénovat model a ModelOps inženýři nasadit a vyhodnotit ji. Facesheets dokumentování podrobností o historii modelu a generování metrik, které zobrazují jeho výkonnost.


6. Automatizace životního cyklu ML

Váš tým může automatizovat a zjednodušit životní cyklus MLOps a AI pomocí propojení procesů Watson Studio (Beta).

Co lze použít Co můžete dělat Nejlepší pro použití, když
Potrubní vedení (Beta) Použití produktovodů v produktu Watson Studio k vytvoření opakovatelných a naplánovaných toků, které automatizují přenosný počítač, Data Refinerya ropovody, od požití dat až po modelování testování, testování a implementace. Chcete automatizovat všechny kroky nebo všechny kroky v toku MLOS.


Příklad: Automatizovaný životní cyklus společnosti Golden Bank

Vědci dat v Golden Bank mohou také pomocí ropovodů automatizovat kompletní životní cyklus a procesy MLOps and trustworthy AI a zjednodušit proces schvalování hypotéčních hypoték.


Výukové programy pro MLOps and trustworthy AI

Výukový program Popis Odborné znalosti pro výukový program
Sestavit a implementovat model Vycvičte model, povyšte jej do prostoru implementace a implementujte model. Spusťte notebook.
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