0 / 0
Wróć do wersji angielskiej dokumentacji
Przypadek użycia MLOps and trustworthy AI
Przypadek użycia MLOps and trustworthy AI

Przypadek użycia MLOps and trustworthy AI

Aby zarządzać danymi i modelami zasobów w ramach cyklu życia AI, w przedsiębiorstwie potrzebne są zintegrowane systemy i procesy. Cloud Pak for Data as a Service udostępnia procesy i technologie pozwalające przedsiębiorstwu na tworzenie, wdrażanie, konserwowanie i zarządzanie modelami uczenia maszynowego (ML) i sztuczną inteligencją w produkcji.

Obejrzyj ten film wideo, aby zobaczyć przypadek użycia sieci Fabric do zaimplementowania rozwiązania 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

Tworzenie rozwiązań MLOps and trustworthy AI dla przedsiębiorstw wiąże się z rozwiązywaniem tych problemów:

Dostęp do danych
Organizacje muszą zapewnić łatwy dostęp do skonsolidowanych i zarządzanych danych dla zespołów ds. nauki danych, którzy wykorzystują dane do budowania wiarygodnych aplikacji AI i ML.

Operacjonalizowanie modeli
Organizacje muszą implementować powtarzalne procesy w celu budowania i wdrażania modeli oraz przyjmowania modeli w środowiskach produkcyjnych.

Zapewnienie zarządzania modelem i zgodnością z nim
Organizacje muszą monitorować modele w środowisku produkcyjnym w celu zapewnienia, że modele są możliwe do wyjaśnienia, poprawne i dokładne oraz że nie wprowadzają ani nie odstępują ani nie odsuwają od zamierzonych celów.

Aby rozwiązać te problemy, należy zaimplementować zautomatyzowany cykl życia MLOps z siecią Fabric na platformie Cloud Pak for Data as a Service(Pak dla danych w chmurze dla danych).


Przykład: wyzwania Golden Bank

Należy śledzić historię Golden Bank, ponieważ implementuje ona proces MLOps and trustworthy AI , aby rozszerzyć swoją działalność, oferując niskooprocentowane odnawialne źródła kredytów hipotecznych dla aplikacji online. Analitycy danych w Golden Bank muszą stworzyć model zatwierdzania kredytów hipotecznych, który pozwala uniknąć nieprzewidzianego ryzyka i sprawiedliwie traktuje wszystkich wnioskodawców.

Proces

Aby zaimplementować interfejs MLOps and trustworthy AI dla przedsiębiorstwa, organizacja może śledzić ten proces:

  1. Współużytkowanie danych
  2. Budowanie i szkolenie modeli
  3. Wdrażanie modeli
  4. Modele monitorowania
  5. Śledzenie modeli
  6. Zautomatyzuj cykl życia AI

Usługi Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog w produkcie Cloud Pak for Data as a Service udostępniają narzędzia i procesy, których organizacja musi implementować, a MLOps and trustworthy AI .

Obraz przedstawiający przepływ pracy MLOps i trusworthy AI

1. Udostępnij dane do współużytkowania

Katalog służy jako składnica składników, w której zespoły naukowców danych mogą znaleźć wysokiej jakości zasoby danych z potrzebnymi funkcjami. Mogą one dodawać zasoby danych z katalogu do projektu, w którym współpracują w celu przygotowania, analizy i modelowania danych.

Co można użyć Co można zrobić Najlepiej używać, gdy
Katalogi Użyj katalogów w Watson Knowledge Catalog jako składnicy składników w celu zorganizowania zasobów aplikacyjnych do współużytkowania dla współpracowników w organizacji.

Należy skorzystać z wyszukiwania i rekomendacji semantycznych opartych na AI, aby pomóc użytkownikom w znalezieniu tego, czego potrzebują.
Użytkownicy muszą łatwo zrozumieć, współpracować, wzbogacać i uzyskiwać dostęp do wysokiej jakości danych.

Użytkownik chce zwiększyć widoczność danych i współpracę między użytkownikami biznesowymi.

Użytkownicy muszą wyświetlać, uzyskiwać dostęp do danych, manipulować nimi i analizować dane bez zrozumienia jego fizycznego formatu lub lokalizacji, a także bez konieczności przenoszenia lub kopiowania danych.

Użytkownik chce, aby użytkownicy zwiększali zasoby według ocen i przeglądania.


Przykład: katalog Golden Bank

Lider zespołu ds. zarządzania tworzy katalog, "katalog zatwierdzania kredytów hipotecznych" i dodaje zarządców danych i naukowców danych jako współpracowników katalogu. Zarządcy danych publikują zasoby danych, które zostały utworzone w katalogu. Naukowcy danych znajdują zasoby danych, kurowane przez dane zarządcze, w katalogu i kopiują te zasoby aplikacyjne do projektu. W swoim projekcie naukowcy danych mogą dopracować dane, aby przygotować go do szkolenia modelu.


2. Buduj i trenuj modele

Aby uzyskać predykcyjne spostrzeżenia oparte na danych, naukowcy danych, analitycy biznesowi i inżynierowie uczenia maszynowego mogą budować i trenować modele. Naukowcy danych używają usług Cloud Pak for Data as a Service do budowania modeli AI, zapewniając, że odpowiednie algorytmy i optymalizacje są używane do tworzenia predykcji, które pomagają w rozwiązywaniu problemów biznesowych.

Co można użyć Co można zrobić Najlepiej używać, gdy
AutoAI Za pomocą narzędzia AutoAI w programie Watson Studio można automatycznie wybierać algorytmy, funkcje inżyniera, generować kandydatów do rurociągów oraz kandydatów do rurociągów modelu.

Następnie należy dokonać oceny uporządkowane rurociągi i zapisać najlepsze modele.

Wdróż wyszkolonych modeli do obszaru lub wyeksportuj potok szkolenia modelu, który jest podobny z poziomu AutoAI do notatnika, aby go doprecyzować.
Użytkownik chce, aby zaawansowany i zautomatyzowany sposób zbudował dobry zestaw rurociągów szkoleniowych i modeli.

Chcesz mieć możliwość eksportowania wygenerowanych rurociągów w celu ich dopracowania.
Notebooki i skrypty Za pomocą notebooków i skryptów w produkcie Watson Studio można napisać własne szkolenie modelu inżynieryjnego oraz kod oceny w języku Pythonlub R na podstawie zestawów danych szkoleniowych dostępnych w projekcie lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub pamięć obiektowa.

Użyj ulubionych algorytmów i bibliotek.
Użytkownik chce użyć umiejętności kodowania Python lub R, aby mieć pełną kontrolę nad kodem, który jest używany do tworzenia, uczenia i oceny modeli.
Przepływy SPSS Modeler Za pomocą przepływów SPSS Modeler w produkcie Watson Studio można tworzyć własne modele szkoleń, oceny i oceniania oparte na zestawach danych szkoleniowych, które są dostępne w projekcie, lub w połączeniach ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowe pamięci masowej. Użytkownik chce, aby prosty sposób eksplorowania danych i definiowania modelu szkolenia, oceny i oceniania przepływów.
RStudio Analizowanie danych oraz budowanie i testowanie modeli poprzez pracę z R na serwerze RStudio ze środowiskiem programistycznym R 3.6. Użytkownik chce użyć środowiska programistycznego do pracy w R.
Decision Optimization Przygotowywanie danych, importowanie modeli, rozwiązywanie problemów i porównywanie scenariuszy, wizualizowanie danych, znajdowanie rozwiązań, tworzenie raportów i zapisywanie modeli w celu wdrożenia przy użyciu produktu Watson Machine Learning. Musisz ocenić miliony możliwości, aby znaleźć najlepsze rozwiązanie problemu z analityką przepisową.
Stowarzyszona nauka Trenuj wspólny model przy użyciu rozproszonych danych. Należy szkolić model bez przenoszenia, łączenia lub współużytkowania danych, które są rozproszone w wielu lokalizacjach.


Przykład: budowa i szkolenie modelu Golden Bank

Naukowcy danych w Golden Bank tworzą model, "Model zatwierdzania kredytów hipotecznych", który pozwala uniknąć nieprzewidywanego ryzyka i traktuje wszystkich wnioskodawców sprawiedliwie. Chcą od początku śledzić historię i wydajność modelu, dlatego dodają do niego wpis do modelu "Mortgage Approval Catalog" (Katalog Zatwierdzania Kredytów Hipotecznych). Oni uruchamiają notatnik, aby zbudować model i przewidzieć, które wnioskodawcy kwalifikują się do hipotek. Szczegóły dotyczące szkolenia modelu są automatycznie przechwytywane jako metadane we wpisie modelu.


3. Wdrażanie modeli

Gdy członkowie zespołu ds. operacji wdrażają modele AI, modele stają się dostępne dla aplikacji, które mają być używane do oceniania i predykcji w celu wspomagania działań w napędzie.

Co można użyć Co można zrobić Najlepiej używać, gdy
Interfejs użytkownika obszarów (interfejs użytkownika) Interfejs użytkownika Spaces w programie Watson Machine Learning służy do wdrażania modeli i innych zasobów aplikacyjnych z projektów do obszarów. Jeśli preferujesz korzystanie z interfejsu użytkownika.
Narzędzie wiersza komend (cpdctl) Użyj narzędzia wiersza komend cpdctl w programie Watson Machine Learning , aby zarządzać cyklem życia modeli, w tym ustawieniami konfiguracyjnymi, a także zautomatyzować przepływ na całej trasie, który obejmuje szkolenie modelu, zapisywanie go, tworzenie obszaru wdrażania i wdrażanie modelu. Użytkownik chce wdrożyć modele i zarządzać nimi w środowiskach testowych lub produkcyjnych z poziomu wiersza komend.


Przykład: wdrożenie modelu Golden Bank

Członkowie zespołu ds. operacji w Golden Bank promują projekt "Model zatwierdzania hipotecznego" od projektu do miejsca wdrożenia, a następnie tworzy wdrożenie modelu w trybie z połączeniem.


4. 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 przyjechał do określonych predykcji o współczynnikach wagi.

Obsługa i raportowanie modelu zarządzania i cyklu życia w organizacji.
Jeśli dostępne są opcje, które są chronione lub które mogą przyczyniać się do zapewnienia uczciwości predykcji.

Należy śledzić wydajność modelu i spójność danych w czasie.

Należy 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. Zyskują również zrozumienie tego, jak model przychodzi do decyzji, dzięki czemu decyzje można wytłumaczyć aplikantem hipotecznym.


5. Modele ścieżek

Oprócz monitorowania modeli w celu zapewnienia uczciwości i wytłumaczalności, Twój zespół musi śledzić modele produkcyjne, aby upewnić się, że są one dobrze wykonywane.

Co można użyć Co można zrobić Najlepiej używać, gdy
Arkusze faktyczne W spisie zasobów w katalogu w produkcie Watson Knowledge Catalogwyświetl status cyklu życia dla wszystkich zarejestrowanych zasobów i przejdź do szczegółowych arkuszy dla modeli lub wdrożeń zarejestrowanych w pozycji modelu.

Wyświetl ogólne szczegóły modelu, informacje o szkoleniu oraz metryki, a także schemat wejściowy i wyjściowy.

Wyświetl ogólne szczegóły wdrożenia, szczegóły oceny, metryki jakości, szczegóły poprawności i szczegóły dryftu.
Użytkownik chce upewnić się, że model działa zgodnie z oczekiwaniami.

Użytkownik chce określić, czy konieczne jest dokonanie korekt.


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 inżynierów ModelOps wdrażają i oceniają go. Arkusze factsheets zawierają szczegółowe informacje na temat historii modelu i generują metryki, które pokazują jego wydajność.


6. Automatyzacja cyklu życia ML

Zespół ten może zautomatyzować i uprościć cykl życia MLOps i AI za pomocą rurociągów Watson Studio (wersja beta).

Co można użyć Co można zrobić Najlepiej używać, gdy
Pipeliny (Beta) Korzystanie z rurociągów w programie Watson Studio umożliwia tworzenie powtarzalnych i zaplanowanych przepływów, które automatyzują notatnik, Data Refineryi potokowe uczenie maszynowe, począwszy od przyjmowania danych w celu modelowania, testowania i wdrażania. Użytkownik chce zautomatyzować dowolne lub wszystkie kroki w przepływie MLOps.


Przykład: zautomatyzowany cykl życia ML w Golden Bank

Analitycy danych w Golden Bank mogą również korzystać z rurociągów w celu zautomatyzowania ich pełnego cyklu życia i procesów MLOps and trustworthy AI w celu uproszczenia procesu zatwierdzania kredytów hipotecznych.


Kursy dla MLOps and trustworthy AI

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

Dodatkowe informacje

Temat nadrzędny: Przegląd rozwiązania dla sieci Fabric