AI-przypadek użycia zarządzania | IBM Cloud Pak for Data as a Service

Powrót do angielskiej wersji dokumentacji

AI-przypadek użycia zarządzania

Aby prowadzić odpowiedzialne, przejrzyste i wytłumaczalne przepływy pracy AI, przedsiębiorstwo potrzebuje zintegrowanego systemu do śledzenia, monitorowania i przekwalifikowania modeli AI. Cloud Pak for Data as a Service udostępnia procesy i technologie umożliwiające przedsiębiorstwu monitorowanie, konserwowanie, automatyzowanie i zarządzanie modelami uczenia maszynowego i AI w środowisku produkcyjnym.

Obejrzyj ten film wideo, aby zobaczyć przypadek użycia sieci Fabric do zaimplementowania rozwiązania do zarządzania sztuczną inteligencją w Cloud Pak for Data(Cloud Pak for Data).

Ten film wideo udostępnia metodę wizualną jako alternatywę dla poniższych kroków opisowych w tej dokumentacji.

Wyzwania

Stworzenie rozwiązań w zakresie zarządzania sztuczną inteligencją dla przedsiębiorstw wiąże się z następującymi wyzwaniami:

Zapewnienie zarządzania modelami i zgodnością z nim: Organizacje muszą śledzić i dokumentować szczegółową historię modeli w celu zapewnienia zgodności i zapewnienia widoczności dla wszystkich zainteresowanych stron.
Zarządzanie ryzykiem i zapewnianie odpowiedzialnej AI: Organizacje muszą monitorować modele w środowisku produkcyjnym w celu zapewnienia, że modele są poprawne i dokładne, oraz że nie wprowadzają ani nie odstępują ani nie odpływają od zamierzonych celów.
Operacjonalizacja cyklu życia modelu: Organizacje muszą implementować powtarzalne procesy, aby sprawnie przećwiczyć i wdrażać modele w środowiskach produkcyjnych.

Aby rozwiązać te problemy, należy zaimplementować cykl życia zarządzania sztuczną inteligencją (AI governance) z siecią Fabric na platformie Cloud Pak for Data as a Service.

Przykład: wyzwania Golden Bank

Postępuj zgodnie z historią Golden Bank, ponieważ realizuje proces zarządzania AI, aby zapewnić, że jego nowy proces aplikacji online jest zgodny i wytłumaczalny. Analitycy biznesowi w Golden Bank muszą przeglądać informacje o modelu w celu zapewnienia zgodności, certyfikowania postępu modelu z poziomu rozwoju do produkcji oraz generowania raportów do współużytkowania lub archiwizacji.

Proces

Aby zaimplementować zarządzanie sztuczną inteligencją dla przedsiębiorstwa, organizacja może śledzić ten proces:

Śledzenie modeli
Modele monitorowania
Zautomatyzuj cykl życia AI

Usługi Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog w środowisku Cloud Pak for Data as a Service udostępniają narzędzia i procesy, których organizacja potrzebuje do wdrożenia rozwiązania do zarządzania sztuczną inteligencją.

Obraz przedstawiający przepływ przypadku użycia zarządzania sztuczną inteligencją

1. Modele śledzenia

Twój zespół może śledzić Twoje modele uczenia maszynowego od żądania do produkcji i ocenić, czy modele są zgodne z przepisami i wymaganiami Twojej organizacji.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
arkusze Factsheets	W spisie zasobów w katalogu Watson Knowledge Catalogutwórz przypadek użycia dla nowego modelu. Wyświetl status cyklu życia dla wszystkich zarejestrowanych zasobów i przejdź do szczegółowych arkuszy dla modeli lub wdrożeń zarejestrowanych w przypadku użycia modelu. Wyświetl ogólne szczegóły modelu, informacje o szkoleniach i metrykach oraz schemat wejściowy i wyjściowy. Wyświetl ogólne szczegóły wdrożenia, szczegóły oceny, pomiary jakości, szczegółowe informacje o rzetelności i szczegółowe informacje.	Musisz poprosić o nowy model z zespołu ds. danych. Użytkownik chce upewnić się, że model jest zgodny i zgodny z oczekiwaniami. Użytkownik chce określić, czy konieczna jest aktualizacja modelu w oparciu o dane śledzenia. Użytkownik chce uruchamiać raporty na modelu w celu współużytkowania lub zachowania szczegółów.

Przykład: model śledzenia modelu Golden Bank

Analitycy biznesowi w Golden Bank zwracają się do "Modelu Zatwierdzania Kredytów Hipotecznych". Mogą one następnie śledzić model przez wszystkie etapy cyklu życia AI jako naukowcy danych budują i szkolić model i inżynierowie ModelOps wdrażają i oceniają ten model. Arkusze factsheets zawierają szczegółowe informacje na temat historii modelu i generują metryki, które pokazują jego wydajność.

2. Monitorowanie wdrożonych modeli

Po wdrożeniu modeli ważne jest, aby zarządzać nimi i monitorować je, aby upewnić się, że są one wytłumaczalne i przejrzyste. Naukowcy danych muszą być w stanie wyjaśnić, w jaki sposób modele docierają do określonych predykcji, aby określić, czy predykcje mają jakiekolwiek niejawne czy jawne bias. Ponadto sprawdzoną procedurą jest obserwowanie wydajności modelu i spójności danych w trakcie cyklu życia modelu.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Watson OpenScale	Monitorowanie modelu sprawiedliwości modelu w wielu funkcjach. Monitorowanie wydajności i spójności danych w czasie. Wyjaśnij, w jaki sposób model dotarł do określonych predykcji z ważonymi czynnikami. Obsługa i raportowanie modelu zarządzania i cyklu życia w całej organizacji.	Dostępne są opcje chronione lub które mogą przyczyniać się do zapewnienia rzetelności predykcji. Użytkownik chce śledzić wydajność modelu i spójność danych w czasie. Użytkownik chce wiedzieć, dlaczego model daje określone predykcje.

Przykład: Model monitorowania modelu Golden Bank

Analitycy danych w Golden Bank wykorzystują Watson OpenScale do monitorowania wdrożonego modelu "Mortgage Approval Model" (Model Kredytu Hipotecznego) w celu zapewnienia rzetelnego i rzetelnego traktowania wszystkich wnioskodawców kredytów hipotecznych typu Golden Bank (Golden Bank). Użytkownicy uruchamiają notatnik w celu skonfigurowania monitorów dla modelu, a następnie tosłabiają konfigurację za pomocą interfejsu użytkownika Watson OpenScale . Korzystając z pomiarów z monitora jakości Watson OpenScale i monitora wartości godziwości, dane naukowcy określają, jak dobrze model przewiduje wyniki, a także, czy wyniki są tendencyjnie osiągane w sposób dwustronny. Dostają też spostrzeżenia na temat tego, jak model przychodzi do decyzji, aby decyzje można było tłumaczyć aplikantami hipotecznymi.

3. Automatyzacja cyklu życia ML

Zespół ten może zautomatyzować i uprościć cykl życia MLOps i AI przy użyciu Watson Pipelines.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Watson Pipelines	Rurociągi umożliwiają tworzenie powtarzalnych i zaplanowanych przepływów, które automatyzują rurociągi do uczenia maszynowego, od przyjmowania danych do szkolenia modelowego, testowania i wdrażania.	Użytkownik chce zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps.

Przykład: zautomatyzowany cykl życia ML w Golden Bank

Naukowcy danych w Golden Bank mogą korzystać z rurociągów, aby zautomatyzować ich kompletny cykl życia i procesy zarządzania sztuczną inteligencją, aby uprościć proces przekwalifikowania modelu.

Kursy dotyczące zarządzania sztuczną inteligencją

Samouczek	Opis	Ekspertyza dla kursu
Budowanie i wdrażanie kursu modelu	Trenuj model, awansuj go do miejsca wdrożenia i wdróż model.	Uruchom notatnik.
Test i sprawdzanie poprawności kursu modelu	Ocena modelu pod kątem dokładności, rzetelności i wytłumaczalności.	Uruchamianie notatnika i wyświetlanie wyników w interfejsie użytkownika.

Dowiedz się więcej

Temat nadrzędny: Przegląd rozwiązania dla sieci Fabric