0 / 0
Přejděte zpět na anglickou verzi dokumentace
Případ použití v řízení influenzy ptáků
Případ použití v řízení influenzy ptáků

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 jako alternativu k následujícím psaným krokům v této dokumentaci.

Výzvy

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

Zajištění správy a dodržování předpisů modelu
Organizace musí sledovat a dokumentovat podrobnou historii modelů a zajistit dodržování předpisů a zajistit viditelnost všem zainteresovaným osobám.

Správa rizik a zajištění odpovědnosti AI
Organizace musí monitorovat modely v produkci, aby bylo zajištěno, že modely jsou platné a přesné, a že nezavedou žádné předsudky vůči zamýšleným cílům a neodchyly se od nich.

Operace realizace 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:

  1. Modely sledování
  2. Modely monitorování
  3. 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, sestavit a trénovat model a ModelOps inženýři nasadit a vyhodnotit ji. 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 Propojení procesů 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
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