AI 거버넌스 활용 사례
책임 있고 투명하며 설명할 수 있는 AI 워크플로우를 구현하기 위해 엔터프라이즈에는 AI 모델을 추적, 모니터링 및 재교육하기 위한 통합 시스템이 필요합니다. Cloud Pak for Data as a Service 은 프로세스 및 기술을 제공하여 프로덕션에서 기계 학습 및 AI 모델을 모니터, 유지보수, 자동화 및 통제할 수 있도록 합니다.
Cloud Pak for Data에서 AI 거버넌스 솔루션을 구현하는 데 필요한 데이터 패브릭 유스 케이스를 보려면 이 비디오를 보십시오.
이 비디오는 이 문서에 기록된 단계를 수행하는 방법의 대안인 시각적 메소드를 제공합니다.
인증 확인
기업을 위한 AI 거버넌스 솔루션을 구축하는 것은 다음과 같은 과제를 해결하는 것이다.
- 모델 통제 및 준수 확인
- 조직은 준수를 보장하고 모든 이해 당사자에게 가시성을 제공하기 위해 모델의 상세한 히스토리를 추적하고 문서화해야 합니다.
- 위험 관리 및 책임 있는 AI 확인
- 조직은 모델이 유효하고 정확한지 확인하기 위해 프로덕션에서 모델을 모니터해야 하며, 의도된 목표에서 편향되거나 편향되지 않도록 하는 것이 필요합니다.
- 모델 라이프사이클 조작
- 조직은 반복 가능한 프로세스를 구현하여 모델을 효율적으로 재교육하고 생산 환경에 배치해야 합니다.
Cloud Pak for Data as a Service에서 데이터 패브릭을 사용하여 AI 통제 라이프사이클을 구현하여 이러한 문제를 해결할 수 있습니다.
예제: 골든 뱅크의 과제
새로운 온라인 애플리케이션 프로세스가 준수하고 설명할 수 있도록 하기 위해 AI 거버넌스 프로세스를 구현하기 때문에 골든 뱅크의 사례를 따르십시오. 골든 뱅크의 비즈니스 분석가는 모델 정보를 검토하여 준수를 보장하고, 개발에서 프로덕션으로 모델 진행상태를 인증하며, 공유 또는 아카이브할 보고서를 생성해야 합니다.
프로세스
엔터프라이즈에 대한 AI 통제를 구현하기 위해 조직은 다음 프로세스를 따를 수 있습니다.
Cloud Pak for Data as a Service 에 있는 Watson Studio, Watson Machine Learning, Watson OpenScale및 Watson Knowledge Catalog 서비스는 조직에서 AI 통제 솔루션을 구현하는 데 필요한 도구 및 프로세스를 제공합니다.
1. 모델 추적
팀은 요청에서 프로덕션으로 시스템 학습 모델을 추적하고 모델이 조직의 규정 및 요구사항을 준수하는지 여부를 평가할 수 있습니다.
| 당신이 사용할 수 있는 것 | 수행할 수 있는 작업 | 다음 경우에 사용 |
|---|---|---|
| 사실 시트 | Watson Knowledge Catalog의 카탈로그에 있는 모델 인벤토리에서 새 모델에 대한 유스 케이스를 작성하십시오. 모든 등록된 자산의 라이프사이클 상태를 보고 모델 유스 케이스에 등록된 모델 또는 배치에 대한 자세한 fact시트로 드릴 다운하십시오. 일반 모델 세부사항, 훈련 정보 및 메트릭, 입력 및 출력 스키마를 봅니다. 일반 배치 세부사항, 평가 세부사항, 품질 메트릭, 공정성 세부사항 및 표류 세부사항입니다. |
데이터 과학 팀에서 새 모델을 요청해야 합니다. 모델이 준수되고 예상대로 수행되는지 확인하려고 합니다. 추적 데이터를 기반으로 모델을 업데이트해야 하는지 여부를 판별하려고 합니다. 세부사항을 공유하거나 보존하기 위해 모델에 대한 보고서를 실행하려고 합니다. |
예제: 골든 뱅크의 모델 추적
골든 뱅크의 비즈니스 분석가들은 "모기지 승인 모델" 을 요청한다. 그런 다음 데이터 과학자가 모델을 빌드하고 훈련할 때 AI 수명 주기의 모든 단계를 통해 모델을 추적할 수 있으며, ModelOps 엔지니어는 이를 배치하고 평가합니다. 팩트 시트는 모델 히스토리에 대한 세부사항을 문서화하고 성능을 표시하는 메트릭을 생성합니다.
2. 배치된 모델 모니터
모델이 배치된 후에는 모델을 관리하고 모니터하여 모델이 해석 가능하고 투명한지 확인하는 것이 중요합니다. 데이터 과학자들은 예측들이 암시적 또는 명시적 편견을 가지고 있는지 여부를 결정할 수 있도록 모델들이 어떤 예측들에 도달하는지를 설명할 수 있어야 한다. 또한 모델의 라이프사이클 동안 모델 성능 및 데이터 일관성 문제를 확인하는 것이 가장 좋습니다.
| 당신이 사용할 수 있는 것 | 수행할 수 있는 작업 | 다음 경우에 사용 |
|---|---|---|
| Watson OpenScale | 모니터 모델의 공정성 문제가 여러 기능에 걸쳐 발생합니다. 시간에 따른 모델 성능 및 데이터 일관성을 모니터합니다. 가중치가 있는 특정 예측에 모델이 도달하는 방법을 설명합니다. 조직에서 모델 통제 및 라이프사이클을 유지하고 보고합니다. |
보호되거나 예측 공정성에 기여할 수 있는 기능이 있습니다. 시간에 따라 모델 성능 및 데이터 불일치를 추적할 수 있습니다. 모델이 특정 예측을 제공하는 이유를 알고 싶습니다. |
예제: 골든 뱅크의 모델 모니터링
골든 뱅크의 데이터 과학자들은 Watson OpenScale 을 사용하여 배치된 "모기지 승인 모델" 을 모니터하여 모든 골든 뱅크 모기지 신청자를 공정하고 정확하게 처리할 수 있습니다. 노트북을 실행하여 모델에 대한 모니터를 설정한 후 Watson OpenScale 사용자 인터페이스를 사용하여 구성을 변경합니다. Watson OpenScale 품질 모니터 및 공정성 모니터의 메트릭을 사용하여 데이터 과학자는 모델이 결과를 얼마나 잘 예측하고 편향된 결과를 생성하는지를 판별합니다. 그들은 또한 의사결정이 모기지 신청자들에게 설명될 수 있도록 모델이 어떻게 결정되는지에 대한 통찰력을 얻는다.
3. ML 수명 주기 자동화
팀은 Watson Pipelines으로 MLOps및 AI 라이프사이클을 자동화하고 단순화할 수 있습니다.
| 당신이 사용할 수 있는 것 | 수행할 수 있는 작업 | 다음 경우에 사용 |
|---|---|---|
| Watson Pipelines | 파이프라인을 사용하여 데이터 수집에서 모델 교육, 테스트 및 배치까지 시스템 학습 파이프라인을 자동화하는 반복 가능하고 스케줄된 플로우를 작성할 수 있습니다. | MLOps 플로우에서 일부 또는 모든 단계를 자동화하려고 합니다. |
예제: 골든 뱅크의 자동화된 ML 수명 주기
골든 뱅크의 데이터 과학자들은 파이프라인을 사용하여 완벽한 AI 거버넌스 수명주기와 프로세스를 자동화하여 모델 재교육 과정을 간소화할 수 있다.
AI 거버넌스 학습서
| Tutorial | 설명 | 학습서에 대한 전문 지식 |
|---|---|---|
| 모델 빌드 및 배치 튜토리얼 | 모델을 훈련하고, 이를 배치 공간으로 프로모션시키고 모델을 배치하십시오. | 노트북을 실행하십시오. |
| 모델 학습서 테스트 및 유효성 검증 | 정확성, 공정성 및 설명 가능성을 위해 모델을 평가합니다. | 노트북을 실행하고 사용자 인터페이스의 결과를 보십시오. |
자세히 보기
상위 주제: 데이터 패브릭 솔루션 개요