0 / 0
Retourner à la version anglaise de la documentation
Cas d'utilisation de la gouvernance de l'IA
Cas d'utilisation de la gouvernance de l'IA

Cas d'utilisation de la gouvernance de l'IA

Pour générer des flux de travaux d'IA responsables, transparents et explicables, votre entreprise a besoin d'un système intégré pour le suivi, la surveillance et le recyclage des modèles d'IA. Cloud Pak for Data as a Service fournit les processus et les technologies permettant à votre entreprise de surveiller, de gérer, d'automatiser et de gouverner les modèles d'apprentissage automatique et d'intelligence artificielle en production.

Regardez cette vidéo pour voir le cas d'utilisation de la matrice de données pour l'implémentation d'une solution de gouvernance de l'IA 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 de gouvernance de l'IA pour les entreprises implique de relever les défis suivants:

Assurer la gouvernance et la conformité des modèles
Les organisations doivent suivre et documenter l'historique détaillé des modèles pour assurer la conformité et fournir une visibilité à toutes les parties prenantes.

Gestion du risque et garantie d'une intelligence artificielle responsable
Les organisations doivent surveiller les modèles en production pour s'assurer qu'ils sont valides et précis et qu'ils n'introduisent pas de biais ou ne s'éloignent pas des objectifs prévus.

L'opérationnalisation du cycle de vie du modèle
Les organisations doivent implémenter des processus reproductibles pour réentraîner et déployer efficacement des modèles dans des environnements de production.

Vous pouvez résoudre ces problèmes en implémentant un cycle de vie de gouvernance de l'intelligence artificielle 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 lorsqu'elle implémente un processus de gouvernance de l'IA pour vous assurer que son nouveau processus de demande en ligne est conforme et explicable. Les analystes métier de Golden Bank doivent passer en revue les informations de modèle pour garantir la conformité, certifier la progression du modèle depuis le développement jusqu'à la production et générer des rapports à partager ou à archiver.

Processus

Pour implémenter la gouvernance de l'IA pour votre entreprise, votre organisation peut suivre ce processus:

  1. Suivi des modèles
  2. Modèles de contrôle
  3. 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 une solution de gouvernance de l'intelligence artificielle.

Image illustrant le flux du cas d'utilisation de la gouvernance de l'IA

1. Suivi des modèles

Votre équipe peut suivre vos modèles d'apprentissage automatique de la demande à la production et évaluer si les modèles sont conformes aux réglementations et exigences de votre organisation.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Fiches techniques Dans l'inventaire de modèles d'un catalogue dans Watson Knowledge Catalog, créez un cas d'utilisation pour un nouveau modèle.

Affichez le statut du cycle de vie pour tous les actifs enregistrés et accédez à des fiches de données détaillées pour les modèles ou les déploiements enregistrés dans le cas d'utilisation du 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, détails de l'équité et détails de la dérive.
Vous devez demander un nouveau modèle à votre équipe de science des données.

Vous souhaitez vous assurer que votre modèle est conforme et fonctionne comme prévu.

Vous souhaitez déterminer si vous devez mettre à jour un modèle en fonction des données de suivi.

Vous souhaitez exécuter des rapports sur un modèle pour partager ou conserver des détails.


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.


2. 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 être en mesure d'expliquer comment les modèles arrivent à certaines prévisions afin qu'ils puissent déterminer si les prévisions ont un biais 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 pondérés.

Gestion de la gouvernance et du cycle de vie du modèle et génération de rapports sur la gouvernance et le cycle de vie du modèle dans votre organisation.
Vous disposez de fonctions qui sont protégées ou qui peuvent contribuer à l'équité des prévisions.

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

Vous voulez 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 obtiennent également des informations sur la façon dont le modèle prend des décisions afin que les décisions puissent être expliquées aux demandeurs de prêts hypothécaires.


3. Automatisation du cycle de vie ML

Votre équipe peut automatiser et simplifier les MLOps et le cycle de vie de l'intelligence artificielle avec Watson Pipelines.

Ce que vous pouvez utiliser Fonction A utiliser de préférence lorsque
Watson Pipelines Utilisez des pipelines pour créer des flux reproductibles et planifiés qui automatisent les pipelines d'apprentissage automatique, depuis l'ingestion de données jusqu'à l'entraînement, le test et le déploiement de modèles. Vous souhaitez automatiser certaines ou toutes les étapes d'un flux MLOps.


Exemple: cycle de vie ML automatisé de Golden Bank

Les spécialistes des données de Golden Bank peuvent utiliser des pipelines pour automatiser leur cycle de vie complet de gouvernance de l'IA et leurs processus afin de simplifier le processus de réentraînement du modèle.


Tutoriels sur la gouvernance de l'IA

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