Caso de uso de gobierno de IA
Para impulsar flujos de trabajo de IA responsables, transparentes y explicables, su empresa necesita un sistema integrado para rastrear, supervisar y volver a entrenar modelos de IA. Cloud Pak for Data as a Service proporciona los procesos y tecnologías que permiten a su empresa supervisar, mantener, automatizar y gobernar modelos de IA y aprendizaje automático en producción.
Vea este vídeo para ver el caso de uso para implementar una solución de gobierno de IA.
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Dificultades
Puede resolver los siguientes retos para su empresa implementando un caso de uso de gobierno de IA:
- Garantizar el gobierno y la conformidad del modelo
- Las organizaciones necesitan realizar un seguimiento y documentar el historial detallado de los modelos para garantizar el cumplimiento y proporcionar visibilidad a todas las partes interesadas.
- Gestión de riesgos y garantía de una IA responsable
- Las organizaciones necesitan supervisar modelos en producción para asegurarse de que los modelos son válidos y precisos, y que no están introduciendo sesgos o desviándose de los objetivos previstos.
- Operacionalización del ciclo de vida del modelo
- Las organizaciones necesitan implementar procesos repetibles para volver a entrenar y desplegar modelos de forma eficiente en entornos de producción.
Ejemplo: Los retos de Golden Bank
Siga la historia de Golden Bank mientras implementa un proceso de gobierno de IA para asegurarse de que su nuevo proceso de solicitud en línea es compatible y explicable. Los analistas de negocio de Golden Bank necesitan revisar la información del modelo para garantizar el cumplimiento, certificar el progreso del modelo desde el desarrollo a la producción y generar informes para compartir o archivar.
Proceso
Para implementar el gobierno de IA para su empresa, su organización puede seguir este proceso:
Los servicios de Watson Studio, Watson Machine Learning, Watson OpenScalee IBM Knowledge Catalog en Cloud Pak for Data as a Service proporcionan las herramientas y los procesos que su organización necesita para implementar una solución de gobierno de IA.
1. Modelos de seguimiento
Su equipo puede realizar un seguimiento de los modelos de aprendizaje automático desde la solicitud hasta la producción y evaluar si los modelos cumplen con las normativas y requisitos de su organización.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Hojas de datos | En el inventario de modelos de un catálogo de IBM Knowledge Catalog, cree un caso de uso para un nuevo modelo. Ver el estado del ciclo de vida de todos los activos registrados y detallar más las hojas de datos detalladas para los modelos o despliegues registrados en el caso de uso del modelo. Ver detalles generales del modelo, información de entrenamiento y métricas, y esquema de entrada y salida. Ver detalles generales del despliegue, detalles de evaluación, métricas de calidad, detalles de equidad y detalles de desviación. |
Debe solicitar un nuevo modelo a su equipo de ciencia de datos. Desea asegurarse de que el modelo es conforme y funciona como se esperaba. Desea determinar si necesita actualizar un modelo basándose en los datos de seguimiento. Desea ejecutar informes en un modelo para compartir o conservar los detalles. |
Ejemplo: Seguimiento del modelo de Golden Bank
Los analistas de negocios de Golden Bank solicitan un "Modelo de Aprobación de Hipoteca". A continuación, pueden realizar un seguimiento del modelo a través de todas las etapas del ciclo de vida de IA a medida que los científicos de datos crean y entrenan el modelo y los ingenieros de ModelOps lo despliegan y evalúan. Las hojas de datos documentan detalles sobre el historial del modelo y generan métricas que muestran su rendimiento.
2. Supervisar modelos desplegados
Después de desplegar modelos, es importante controlarlos y supervisarlos para asegurarse de que son explicables y transparentes. Los científicos de datos deben ser capaces de explicar cómo llegan los modelos a determinadas predicciones para que puedan determinar si las predicciones tienen algún sesgo implícito o explícito. Además, es una práctica recomendada para ver el rendimiento del modelo y los problemas de coherencia de datos durante el ciclo de vida del modelo.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Watson OpenScale | Problemas de equidad del modelo de supervisión en varias características. Supervisar el rendimiento del modelo y la coherencia de datos a lo largo del tiempo. Explicar cómo ha llegado el modelo a determinadas predicciones con factores ponderados. Mantener e informar sobre el gobierno del modelo y el ciclo de vida en toda la organización. |
Tiene características que están protegidas o que pueden contribuir a la equidad de la predicción. Desea rastrear el rendimiento del modelo y las coherencias de datos a lo largo del tiempo. Desea saber por qué el modelo proporciona determinadas predicciones. |
Ejemplo: supervisión del modelo de Golden Bank
Los científicos de datos de Golden Bank utilizan Watson OpenScale para supervisar el "Modelo de aprobación de hipotecas" desplegado para asegurarse de que es preciso y trata a todos los solicitantes de hipotecas de Golden Bank de forma justa. Ejecutan un cuaderno para configurar supervisores para el modelo y, a continuación, modificar la configuración utilizando la interfaz de usuario de Watson OpenScale . Utilizando las métricas del supervisor de calidad y del supervisor de equidad de Watson OpenScale , los científicos de datos determinan qué tan bien predice el modelo los resultados y si produce algún resultado sesgado. También obtienen información sobre cómo el modelo llega a las decisiones para que las decisiones se puedan explicar a los solicitantes de hipoteca.
3. Automatizar el ciclo de vida de ML
Su equipo puede automatizar y simplificar el ciclo de vida de MLOps e IA con Watson Pipelines.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Watson Pipelines | Utilice interconexiones para crear flujos repetibles y planificados que automatizan interconexiones de aprendizaje automático, desde la ingestión de datos hasta el entrenamiento, las pruebas y el despliegue de modelos. | Desea automatizar algunos o todos los pasos de un flujo MLOps. |
Ejemplo: Ciclo de vida de ML automatizado de Golden Bank
Los científicos de datos de Golden Bank pueden utilizar conductos para automatizar su ciclo de vida completo de gobierno de IA y los procesos para simplificar el proceso de repetición de formación de modelos.
Guías de aprendizaje para el gobierno de IA
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Guía de aprendizaje sobre crear y desplegar un modelo | Entrenar un modelo, promocionarlo a un espacio de despliegue y desplegar el modelo. | Ejecutar un cuaderno. |
| Probar y validar una guía de aprendizaje de modelo | Evalúe un modelo para ver su precisión, equidad y explicabilidad. | Ejecute un cuaderno y vea los resultados en la interfaz de usuario. |
Más información
Tema principal: Casos de uso