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 l'implémentation d'une solution de gouvernance de l'IA.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Défis
Vous pouvez résoudre les problèmes suivants pour votre entreprise en implémentant un cas d'utilisation de gouvernance de l'IA:
- Assurer la gouvernance et la conformité des modèles
- Les organisations doivent suivre et documenter l'historique détaillé des modèles afin d'assurer la conformité et de fournir une visibilité à toutes les parties prenantes.
- Gestion des risques et garantie d'une intelligence artificielle responsable
- Les organisations doivent surveiller les modèles en production pour s'assurer que les modèles sont valides et précis et qu'ils n'introduisent pas de biais ou ne s'éloignent pas des objectifs prévus.
- 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.
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:
Les services Watson Studio, Watson Machine Learning, Watson OpenScaleet IBM 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.
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 IBM Knowledge Catalog, créez un cas d'utilisation pour un nouveau modèle. Affichez le statut de cycle de vie de tous les actifs enregistrés et accédez à des feuilles 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 de formation, ainsi que le schéma d'entrée et de sortie. Affichez les détails généraux du déploiement, les détails de l'évaluation, métriques de qualité, détails d'équité et détails de 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 génèrent 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 | Descriptif | Expertise pour le tutoriel |
|---|---|---|
| Génération et déploiement d'un tutoriel de modèle | Formez un modèle, promouvez le dans un espace de déploiement et déployez le modèle. | Exécutez un bloc-notes. |
| Tutoriel de test et de validation d'un 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: Cas d'utilisation