0 / 0
Belgelerin İngilizce sürümü ' ne geri dönün.
MLOps and trustworthy AI kullanım senaryosu
MLOps and trustworthy AI kullanım senaryosu

MLOps and trustworthy AI kullanım senaryosu

Yapay zeka yaşam çevrimi boyunca veri ve model varlıklarını yönetmek için, işletmeniz tümleşik sistemlere ve süreçlere gereksinim duyar. Cloud Pak for Data as a Service , üretimde makine öğrenimi (ML) ve AI modellerini geliştirme, devreye alma, sürdürme ve yönetme teşebbüsünüzün etkinleştirilmesini sağlayacak süreçleri ve teknolojileri sağlar.

Watch this video to see the data fabric use case for implementing a solution in Cloud Pak for Data.

Bu videoda, bu belgelerdeki yazılı adımların izlenmesine alternatif olarak bir görsel yöntem sağlanmaktadır.

Zorluklar

Kuruluşlar için MLOps and trustworthy AI çözümlerinin oluşturulması, bu zorlukların üstesinden gelmekte olan çözümler içerir:

Veriye erişilmesi
Kuruluşlarının güvenilir AI ve ML uygulamaları oluşturmak için verileri kullanan veri bilimi ekipleri için birleştirilmiş ve yönetilen verilere kolay erişim sağlaması gerekir.

Modelleme modelleri
Kuruluşlarının modelleri oluşturmak ve devreye almak ve üretim ortamlarındaki modelleri benimsemek için yinelenebilir süreçleri gerçekleştirmesi gerekir.

Model yönetişimi ve uyumluluğu sağlama
Kuruluşların, modellerin açıklanabilir, geçerli ve doğru olduğundan emin olmak için modellerin üretimde izlenmesi gerekir ve bu modellerin amaçlanan hedeflerden sapmayı ya da uzaklaştırma olanağı sağlamamasını sağlayın.

You can solve these challenges by implementing an MLOps automated lifecycle with data fabric on Cloud Pak for Data as a Service.


Örnek: Altın Bankasının zorlukları

Çevrimiçi uygulamalar için düşük oranlı mortgage yenilemeleri sunarak işletmesini genişletmek için MLOps and trustworthy AI sürecini uygulayan Altın Bankası 'nın öykülerini izleyin. Altın Bankadaki veri bilimciler, öngörülmeyen riski önleyen ve tüm başvuru sahiplerine adil şekilde davranan bir mortgage onay modeli yaratması gerekiyor.

Süreç

Kuruluşunuz için MLOps and trustworthy AI ' yi uygulamak üzere kuruluşunuz bu süreci takip edebilir:

  1. Verileri paylaş
  2. Modellerin oluşturulması ve eğitilmesi
  3. Modeli devreye alma
  4. Monitor Model'ler
  5. İzleme modelleri
  6. Yapay Zeka yaşam çevrimini otomatikleştirme

Cloud Pak for Data as a Service içindeki Watson Studio, Watson Machine Learning, Watson OpenScaleve Watson Knowledge Catalog hizmetleri, kuruluşunuzun MLOps and trustworthy AI çözümünü uygulamak için gereksinim duyduğu araçları ve süreçleri sağlar.

MLOps ve trusworthy AI kullanım senaryolarının akışını gösteren resim

1. Verileri paylaşın

Katalog, veri bilimci ekiplerinizin gereksinim dudukları özelliklerle yüksek kaliteli veri varlıklarını bulabileceği bir özellik deposu olarak hizmet verir. Bir katalogdan, verileri hazırlamak, analiz etmek ve modellemek için işbirliği yapmaları gereken bir projeye veri varlıkları ekleyebilirler.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Kataloglar Kuruluşunuzdaki işbirlikçileri arasında paylaşmak üzere varlıklarınızı düzenlemek için bir özellik deposu olarak Watson Knowledge Catalog ' daki katalogları kullanın.

Kullanıcıların neye gereksinim duduklarını bulmalarına yardımcı olmak için AI destekli semantik arama ve önerilerden yararlanın.
Kullanıcılarınızın, yüksek kaliteli verileri kolayca anlamanız, işbirliği yapmak, zenginleştirmek ve bunlara erişmek için gereksinim duymanız gerekir.

İş kullanıcıları arasında veri ve işbirliği görünürlüğünü artırmak istiyorsunuz.

Kullanıcıların, fiziksel biçimini ya da konumunu anlamadan ve bu verileri taşımadan veya kopyalamadan görüntülemesi, erişmeleri, işlemeleri ve analiz etmesi gerekir.

Kullanıcıların, varlıkları derecelendirerek ve gözden geçirerek varlıkları geliştirmesini istiyorsunuz.


Örnek: Golden Bank 'ın kataloğu

Yönetişim ekibi lideri, "Mortgage Onay Kataloğu" adlı bir katalog oluşturur ve veri uzmanlarını ve veri bilimcisini katalog işbirlikçileri olarak ekler. Veri Stewardları, katalogda oluşturdukları veri varlıklarını yayınlarlar. Veri bilimciler veri varlıklarını buluyor, veri varlıklarına ait verileri katalogda buluyor ve bu varlıkları bir projeye kopyalıyor. Bu projede, veri bilimciler, bir modeli eğitim almak için hazırlayacak verileri iyileştirebilir.


2. model oluşturma ve tren modelleri

Verileriniz, veri bilimcileri, iş analistleri ve makine öğrenimi mühendislerine dayalı tahmine dayalı öngörüler elde etmek için modeller oluşturabilir ve eğitebilirsiniz. Veri bilimcileri, yapay zeka modellerini oluşturmak için Cloud Pak for Data as a Service hizmetlerini kullanır, doğru algoritmaların ve eniyilemelerin iş sorunlarını çözmeye yardımcı olan tahminler yapmak için kullanılmasını sağlar.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
AutoAI Algoritmaları, mühendislik özelliklerini otomatik olarak seçmek, boru hattı adayları oluşturmak ve model boru hattı adaylarını yetiştirmek için Watson Studio içinde AutoAI seçeneğini kullanın.

Daha sonra, derecelendirilmiş ardışık düzenleri değerlendirin ve en iyi modelleri modeller olarak kaydedin.

Deploy Eğitimli modeller bir alana ya da AutoAI ' dan beğendiğiniz model eğitim ardışık düzenini düzeltmek için bir not defterine dışa aktarın.
Hızlı bir eğitim boru hattı ve modelleri hızlı bir şekilde inşa etmek için gelişmiş ve otomatikleştirilmiş bir yol istiyorsunuz.

Oluşturulan ardışık düzenleri, bunları daraltmak için dışa aktarabilmek istiyorsunuz.
Dizüstü bilgisayarlar ve komut dosyaları Use notebooks and scripts in Watson Studio to write your own feature engineering model training, and evaluation code in Python, or R based on training data sets that are available in the project, or connections to data sources such as databases, data lakes, or object storage.

Use your favorite algorithms and libraries.
Python ya da R kodlama becerilerinin, modelleri yaratmak, eğitmek ve modellemek için kullanılan kod üzerinde tam denetime sahip olması için kullanmak istiyorsunuz.
SPSS Modeler akışları Kendi model eğitiminizi, değerlendirmelerinizi ve puanlama akışlarınızı, projede var olan eğitim verileri kümelerine dayalı olarak ya da veritabanları, veri gölleri ya da nesne deposu gibi veri kaynaklarına dayalı olarak oluşturmak için SPSS Modeler akışlarını Watson Studio içinde kullanın. Verilerin araştırılması ve model eğitimi, değerlendirme ve puanlama akışlarının tanımlanması için basit bir yöntem olmasını istiyorsunuz.
RStudio R 3.6 geliştirme ortamı olan bir RStudio Server 'da R ile çalışarak verileri ve oluşturma ve test modellerini analiz edin. R içinde çalışmak üzere bir geliştirme ortamı kullanmak istiyorsunuz.
Decision Optimization Prepare data, import models, solve problems and compare scenarios, visualize data, find solutions, produce reports, and save models to deploy with Watson Machine Learning. Bir normatif analitik sorununa en iyi çözümü bulmak için milyonlarca olasılığı değerlendirmeniz gerekir.
Birleşik öğrenim Dağıtılmış verileri kullanarak ortak bir model eğitin. Birden çok konumda dağıtılmış verileri taşımadan, birleştirmeden ya da paylaşılmadan bir model eğitmeniz gerekir.


Örnek: Altın Bankasının model binası ve eğitimi

"Golden Bank" daki veri bilimciler, öngörülmeyen riski önleyen ve tüm başvuru sahiplerine adil davranan bir model, "Mortgage Onay Modeli" oluştururdur. Modelin geçmişini ve performansını baştan izlemek istiyorlar, böylece "Mortgage Onay Kataloğu" na bir model girişi ekiyorlar. Modeli inşa etmek için bir not defteri işletiyorlar ve hangi başvuru sahiplerinin konut kredisi almaya hak kazanacaklarını tahmin ediyorlar. Model eğitiminin ayrıntıları, model girişindeki meta veriler olarak otomatik olarak yakalanır.


3. Modeleri konuşlandır

Operasyon ekibi üyeleri AI modellerinizi devreye aldıklarında, modeller, eylemlerin sürmesine yardımcı olmak için puanlama ve tahminler için kullanılacak uygulamalar için kullanılabilir olur.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Boşluk kullanıcı arabirimi (UI) Modelleri ve diğer varlıkları projelerden boşluklara yerleştirmek için Watson Machine Learning 'deki Spaces UI' yi kullanın. Kullanıcı arabirimi kullanmayı tercih ettiğiniz zaman.
Komut satırı aracı (cpdctl) Yapılandırma ayarları da dahil olmak üzere modellerin yaşam çevrimini yönetmek ve modeli eğitmek, bunu kaydetmek, bir konuşlandırma alanı oluşturmak ve modeli devreye almak gibi uçtan uca bir akışı otomatikleştirmek için Watson Machine Learning ' de cpdctl komut satırı aracını kullanın. Modellerin test ya da üretim ortamlarını bir komut satırından devreye almak ve yönetmek istiyorsunuz.


Örnek: Golden Bank 'ın model devreye alımı

Golden Bank 'daki operasyon ekibi, projeden bir konuşlandırma alanına "Mortgage Onay Modeli" yi tanıtıp, daha sonra çevrimiçi model bir devreye alma işlemi yaratıyor.


4. Monitor konuşlandırılan modeller

Modeller konuşlandırıldıktan sonra, açıklanabilir ve saydam olduğundan emin olmak için bunları yönetmek ve izlemek önemlidir. Veri bilimcilerin, modellerin belirli tahminlere nasıl vardığını açıklayabilmek için, öngörülerin örtük ya da açık bir önyargı olup olmadığını belirleyebilmeleri gerekir. Buna ek olarak, modelin yaşam çevrimi boyunca model performansı ve veri tutarlılığı sorunlarını izlemek en iyi uygulamadır.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Watson OpenScale Model doğruluk sorunlarını birden çok özellik arasında izleyin.

Monitor Model performansı ve zaman içinde veri tutarlılığı.

Modein, ağırlık katsayıları ile belirli öngörülere nasıl varolduğunu açıklar.

Kuruluşunuz genelinde model yönetişimi ve yaşam çevrimi hakkında bakım ve raporlama yapın.
When you have features that are protected or that might contribute to prediction fairness.

You need to trace model performance and data consistencies over time.

You need to know why the model gives certain predictions.


Örnek: Golden Bank 'ın model izleme

Altın Bankadaki veri bilimciler, doğru olduğundan emin olmak ve tüm Golden Bank mortgage adaylarını adil bir şekilde tedavi etmek için devreye alınan "Mortgage Onay Modeli" 'yi izlemek için Watson OpenScale ' i kullanmaktadır. Model için izleme programları ayarlamak ve daha sonra Watson OpenScale kullanıcı arabirimini kullanarak yapılandırmayı ayarlamak için bir not defteri çalıştırırlar. Using metrics from the Watson OpenScale quality monitor and fairness monitor, the data scientists determine how well the model predicts outcomes and if it produces any biased outcomes. Ayrıca, alınan kararların ipotek başvuranlarına açıklanabilmesi için, modelin kararlara nasıl geldiğini de anlayabilirler.


5. İzleme modelleri

adiliyet ve açıklanabilir modellerinizin izlenmesine ek olarak, takımınızın iyi performans göstermelerini sağlamak için üretim modellerini takip etmesi gerekiyor.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Faks Sayfaları Watson Knowledge Catalogiçindeki bir katalogdaki model dökümünde, tüm kayıtlı varlıklar için yaşam çevrimi durumunu görüntüleyin ve model girdisine kayıtlı olan modeller ya da devreye alımlar için ayrıntılı faks sayfalarına bakın.

Genel model ayrıntılarını, eğitim bilgilerini ve metrikleri ve giriş ve çıkış şemasını.

Genel devreye alma ayrıntılarını, değerlendirme ayrıntılarını, kalite metriklerini, adillik ayrıntılarını ve sürüklenme ayrıntılarını görüntüleyin.
Modelinizin beklendiği gibi performans gösterdiğinden emin olmak istiyorsunuz.

Ayarlamalar yapmanız gerekip gerekmediğini belirlemek istiyorsunuz.


Örnek: Altın Bankasının model takibi

Altın Bankadaki iş analistleri bir "Mortgage Onay Modeli" talep ediyor. Daha sonra veri bilimcileri olarak yapay zeka yaşam çevriminin tüm aşamaları boyunca modeli takip edebilir ve model ve ModelOps mühendislerini devreye soktular ve değerlendirebilirler. Faks sayfaları, model geçmişiyle ilgili ayrıntıları gösterir ve performansını gösteren metrikler oluşturur.


6. ML yaşam çevriminin otomatikleştirilmesi

Your team can automate and simplify the MLOps and AI lifecycle with Watson Studio pipelines (Beta).

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Boru Hatları (Beta) Not defterini, Data Refineryve makine öğrenimi ardışık hatlarını otomatikleştiren yinelenebilir ve zamanlanan akışları, veri kaynağından model eğitimi, test etme ve devreye alma işlemlerini otomatikleştiren, yinelenebilir ve zamanlanan akışları oluşturmak için Watson Studio içindeki ardışık düzenleri kullanın. MLOps akışındaki adımların herhangi birini ya da tümünü otomatikleştirmek istiyorsunuz.


Örnek: Altın Bankasının otomatik ML yaşam çevrimi

Altın Bankadaki veri bilimciler, konut kredisi onaylama sürecini basitleştirmek için tam MLOps and trustworthy AI yaşam çevrimini ve süreçlerini otomatikleştirmek için boru hatlarını da kullanabilir.


MLOps and trustworthy AIiçin eğitmenler

Eğitici Program Açıklama Eğitmen için uzmanlık
Bir model oluşturun ve devreye alın Bir modeli eğitin, konuşlandırma alanına yükselt ve modeli konuşlandırın. Bir not defteri çalıştırın.
Modele ilişkin sınama ve geçerlilik denetimi Bir modeli doğruluk, eşitlik ve açıklanabilir için değerlendirin. Bir not defteri çalıştırın ve kullanıcı arabirimindeki sonuçları görüntüleyin.

Ek bilgi

Üst konu: Veri yöneltme yapısı çözümlerine genel bakış