0 / 0
Retourner à la version anglaise de la documentation
MLOps et cas d'utilisation d'IA digne de confiance
MLOps et cas d'utilisation d'IA digne de confiance

MLOps et cas d'utilisation d'IA digne de confiance

Pour gérer les données et modéliser les actifs tout au long du cycle de vie de l'IA, votre entreprise a besoin de systèmes et de processus intégrés. Cloud Pak for Data as a Service fournit les processus et les technologies permettant à votre entreprise de développer, déployer, gérer et gérer des modèles d'apprentissage automatique (ML) et d'intelligence artificielle en production.

Regardez cette vidéo pour voir le cas d'utilisation de matrice de données pour l'implémentation d'une solution dans Cloud Pak for Data.

Cette vidéo constitue une alternative visuelle aux procédures figurant dans cette documentation.

Questions secrètes

La mise en place de solutions MLOps and trustworthy AI pour les entreprises implique de relever les défis suivants:

Accès aux données
Les organisations doivent fournir un accès facile aux données consolidées et gouvernées pour les équipes de science des données qui utilisent les données pour générer des applications d'intelligence artificielle et d'apprentissage automatique dignes de confiance.

Opérationnalisation des modèles
Les organisations doivent implémenter des processus reproductibles pour générer et déployer des modèles et les adopter dans des environnements de production.

Garantie de la gouvernance et de la conformité des modèles
Les organisations doivent surveiller les modèles en production pour s'assurer qu'ils sont explicables, valides et précis et qu'ils n'introduisent pas de biais ou ne s'éloignent pas des objectifs prévus.

Vous pouvez résoudre ces problèmes en implémentant un cycle de vie automatisé MLOps avec une matrice de données sur Cloud Pak for Data as a Service.


Exemple: Les défis de la Golden Bank

Suivez l'histoire de Golden Bank en implémentant un processus MLOps and trustworthy AI pour étendre son activité en proposant des renouvellements d'hypothèques à taux réduit pour les applications en ligne. Les spécialistes des données de la Golden Bank doivent créer un modèle d'approbation des prêts hypothécaires qui évite les risques imprévus et traite tous les demandeurs de manière équitable.

Processus

Pour implémenter des MLOps and trustworthy AI pour votre entreprise, votre organisation peut suivre le processus suivant:

  1. Partager les données
  2. Génération et entraînement de modèles
  3. Déploiement de modèles
  4. Modèles de contrôle
  5. Suivi des modèles
  6. Automatiser le cycle de vie de l'IA

Les services Watson Studio, Watson Machine Learning, Watson OpenScaleet Watson Knowledge Catalog dans Cloud Pak for Data as a Service fournissent les outils et les processus dont votre organisation a besoin pour implémenter un MLOps and trustworthy AI .

Image montrant le flux des MLOps et du cas d'utilisation de l'IA digne de confiance

1. Partager les données

Le catalogue sert de magasin de fonctions dans lequel vos équipes de spécialistes des données peuvent trouver des actifs de données de haute qualité avec les fonctions dont elles ont besoin. Ils peuvent ajouter des actifs de données à partir d'un catalogue dans un projet, où ils collaborent pour préparer, analyser et modéliser les données.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Catalogues Utilisez les catalogues de Watson Knowledge Catalog en tant que magasin de fonctions pour organiser vos ressources afin de les partager entre les collaborateurs de votre organisation.

Tirez parti de la recherche sémantique basée sur l'intelligence artificielle et des recommandations pour aider les utilisateurs à trouver ce dont ils ont besoin.
Vos utilisateurs ont besoin de comprendre, de collaborer, d'enrichir et d'accéder facilement aux données de haute qualité.

Vous souhaitez augmenter la visibilité des données et la collaboration entre les utilisateurs métier.

Vous avez besoin que les utilisateurs affichent, accèdent, manipulent et analysent les données sans comprendre leur format physique ou leur emplacement, et sans avoir à les déplacer ou à les copier.

Vous souhaitez que les utilisateurs améliorent les actifs en les notant et en les examinant.


Exemple: catalogue de Golden Bank

Le responsable de l'équipe de gouvernance crée un catalogue, "Mortgage Approval Catalog", et ajoute les intendants de données et les spécialistes des données en tant que collaborateurs de catalogue. Les intendants de données publient les actifs de données qu'ils ont créés dans le catalogue. Les spécialistes des données trouvent les actifs de données, organisés par les intendants de données, dans le catalogue et les copient dans un projet. Dans leur projet, les spécialistes des données peuvent affiner les données pour les préparer à l'entraînement d'un modèle.


2. Génération et entraînement de modèles

Pour obtenir des informations prédictives basées sur vos données, les spécialistes des données, les analystes métier et les ingénieurs d'apprentissage automatique peuvent créer et entraîner des modèles. Les spécialistes des données utilisent les services Cloud Pak for Data as a Service pour générer les modèles d'IA, en s'assurant que les algorithmes et les optimisations appropriés sont utilisés pour effectuer des prévisions qui aident à résoudre les problèmes métier.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
AutoAI Utilisez AutoAI dans Watson Studio pour sélectionner automatiquement des algorithmes, concevoir des fonctions, générer des candidats de pipeline et entraîner des candidats de pipeline de modèle.

Ensuite, évaluez les pipelines classés et sauvegardez les meilleurs en tant que modèles.

Déployer les modèles entraînés vers un espace, ou exportez le pipeline d'entraînement de modèle que vous souhaitez à partir d' AutoAI dans un bloc-notes pour l'affiner.
Vous voulez un moyen avancé et automatisé de générer rapidement un ensemble de pipelines et de modèles d'entraînement.

Vous voulez pouvoir exporter les pipelines générés pour les affiner.
Blocs-notes et scripts Utilisez des blocs-notes et des scripts dans Watson Studio pour écrire votre propre entraînement de modèle d'ingénierie de fonction et votre code d'évaluation dans Pythonou R en fonction des ensembles de données d'entraînement disponibles dans le projet, ou des connexions à des sources de données telles que des bases de données, des lacs de données ou un stockage d'objets.

Utilisez vos algorithmes et bibliothèques favoris.
Vous souhaitez utiliser des compétences de codage Python ou R pour avoir un contrôle total sur le code utilisé pour créer, entraîner et évaluer les modèles.
Flux SPSS Modeler Utilisez les flux SPSS Modeler dans Watson Studio pour créer vos propres flux d'entraînement, d'évaluation et d'évaluation de modèle en fonction des jeux de données d'entraînement disponibles dans le projet ou des connexions à des sources de données telles que des bases de données, des lacs de données ou un stockage d'objets. Vous voulez un moyen simple d'explorer les données et de définir des flux d'entraînement, d'évaluation et d'évaluation de modèle.
RStudio Analysez les données et générez et testez des modèles en utilisant R dans un environnement de développement RStudio Server avec R 3.6. Vous souhaitez utiliser un environnement de développement pour travailler dans R.
Decision Optimization Préparez des données, importez des modèles, résolvez des problèmes et comparez des scénarios, visualisez des données, trouvez des solutions, générez des rapports et sauvegardez des modèles à déployer avec Watson Machine Learning. Vous devez évaluer des millions de possibilités pour trouver la meilleure solution à un problème d'analyse prescriptive.
Federated Learning Entraînez un modèle commun à l'aide de données réparties. Vous devez entraîner un modèle sans déplacer, combiner ou partager des données réparties sur plusieurs emplacements.


Exemple: Création de modèles et formation de Golden Bank

Les spécialistes des données de la Golden Bank créent un modèle, le "modèle d'approbation des prêts hypothécaires", qui évite les risques imprévus et traite tous les candidats de manière équitable. Ils souhaitent suivre l'historique et les performances du modèle depuis le début, de sorte qu'ils ajoutent une entrée de modèle au "Catalogue d'approbation hypothécaire". Ils exécutent un bloc-notes pour construire le modèle et prédire quels candidats sont éligibles pour les prêts hypothécaires. Les détails de l'entraînement de modèle sont automatiquement capturés en tant que métadonnées dans l'entrée de modèle.


3. Déploiement de modèles

Lorsque les membres de l'équipe chargée des opérations déploient vos modèles d'intelligence artificielle, les modèles deviennent disponibles pour les applications qui les utilisent pour les évaluations et les prévisions afin de faciliter les actions.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Interface utilisateur des espaces (interface utilisateur) Utilisez l'interface utilisateur Espaces dans Watson Machine Learning pour déployer des modèles et d'autres actifs depuis des projets vers des espaces. Lorsque vous préférez utiliser une interface utilisateur.
Outil de ligne de commande (cpdctl) Utilisez l'outil de ligne de commande cpdctl dans Watson Machine Learning pour gérer le cycle de vie des modèles, y compris les paramètres de configuration, et pour automatiser un flux de bout en bout qui inclut l'entraînement du modèle, sa sauvegarde, la création d'un espace de déploiement et le déploiement du modèle. Vous souhaitez déployer et gérer des modèles dans des environnements de test ou de production à partir d'une ligne de commande.


Exemple: Déploiement de modèle de Golden Bank

Les membres de l'équipe des opérations de Golden Bank promeuvent le "modèle d'approbation hypothécaire" du projet vers un espace de déploiement, puis créent un déploiement de modèle en ligne.


4. Surveillance des modèles déployés

Une fois les modèles déployés, il est important de les gouverner et de les surveiller pour s'assurer qu'ils sont explicables et transparents. Les spécialistes des données doivent pouvoir expliquer comment les modèles parviennent à certaines prévisions afin de pouvoir déterminer si les prévisions ont une pondération implicite ou explicite. En outre, il est recommandé de surveiller les problèmes de performances du modèle et de cohérence des données pendant le cycle de vie du modèle.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Watson OpenScale Problèmes d'équité du modèle de contrôle sur plusieurs fonctions.

Performances du modèle de contrôle et cohérence des données dans le temps.

Expliquez comment le modèle est arrivé à certaines prévisions avec des facteurs de pondération.

Gérez la gouvernance et le cycle de vie du modèle dans votre organisation et faites des rapports à ce sujet.
Lorsque vous disposez de fonctions qui sont protégées ou qui peuvent contribuer à l'équité des prévisions.

Vous devez tracer les performances du modèle et la cohérence des données dans le temps.

Vous devez savoir pourquoi le modèle fournit certaines prévisions.


Exemple: surveillance du modèle de Golden Bank

Les spécialistes des données de Golden Bank utilisent Watson OpenScale pour surveiller le "modèle d'approbation d'hypothèque" déployé afin de s'assurer qu'il est exact et de traiter tous les demandeurs d'hypothèque Golden Bank de manière équitable. Ils exécutent un bloc-notes afin de configurer des moniteurs pour le modèle, puis de modifier la configuration à l'aide de l'interface utilisateur Watson OpenScale . A l'aide des métriques du moniteur de qualité et du moniteur d'équité Watson OpenScale , les spécialistes des données déterminent la façon dont le modèle prévoit les résultats et s'il produit des résultats biaisés. Ils comprennent également comment le modèle est appliqué aux décisions afin que les décisions puissent être expliquées aux demandeurs de prêts hypothécaires.


5. Suivi des modèles

En plus de surveiller l'équité et l'explicabilité de vos modèles, votre équipe doit suivre les modèles de production pour s'assurer qu'ils fonctionnent correctement.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Fiches d'information Dans l'inventaire de modèles d'un catalogue dans Watson Knowledge Catalog, affichez le statut du cycle de vie de tous les actifs enregistrés et accédez à des fiches de données détaillées pour les modèles ou les déploiements enregistrés dans l'entrée de modèle.

Affichez les détails généraux du modèle, les informations et les métriques d'entraînement, ainsi que le schéma d'entrée et de sortie.

Affichez les détails généraux du déploiement, les détails d'évaluation, les métriques de qualité, les détails d'équité et les détails de dérive.
Vous souhaitez vous assurer que votre modèle fonctionne comme prévu.

Vous souhaitez déterminer si vous devez effectuer des ajustements.


Exemple: suivi du modèle de Golden Bank

Les analystes d'affaires de la Golden Bank demandent un "modèle d'approbation hypothécaire". Ils peuvent ensuite suivre le modèle à travers toutes les étapes du cycle de vie de l'IA à mesure que les spécialistes des données créent et entraînent le modèle et que les ingénieurs ModelOps le déploient et l'évaluent. Les fiches de renseignements fournissent des détails sur l'historique du modèle et génèrent des indicateurs qui montrent ses performances.


6. Automatisation du cycle de vie de l'apprentissage automatique

Votre équipe peut automatiser et simplifier les MLOps et le cycle de vie de l'intelligence artificielle avec des pipelines Watson Studio (bêta).

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Pipelines (bêta) Utilisez des pipelines dans Watson Studio pour créer des flux reproductibles et planifiés qui automatisent le bloc-notes, Data Refinery, et des pipelines d'apprentissage automatique, de l'ingestion de données à l'entraînement, au test et au déploiement de modèles. Vous souhaitez automatiser une ou toutes les étapes du flux MLOps.


Exemple: cycle de vie ML automatisé de Golden Bank

Les spécialistes des données de Golden Bank peuvent également utiliser des pipelines pour automatiser leur cycle de vie et leurs processus MLOps and trustworthy AI complets afin de simplifier le processus d'approbation des prêts hypothécaires.


Tutoriels pour MLOps and trustworthy AI

Tutoriel Description Expertise pour le tutoriel
Génération et déploiement d'un modèle Formez un modèle, promouvez le dans un espace de déploiement et déployez le modèle. Exécutez un bloc-notes.
Testez et validez le modèle Évaluez un modèle quant à sa précision, son équité et son explicabilité.. Exécutez un bloc-notes et affichez les résultats dans l'interface utilisateur.

En savoir plus

Rubrique parent: Présentation de la solution de matrice de données