0 / 0
Belgelerin İngilizce sürümü ' ne geri dönün.
Yapay zeka yönetişimi kullanım senaryosu
Yapay zeka yönetişimi kullanım senaryosu

Yapay zeka yönetişimi kullanım senaryosu

Sorumlu, şeffaf ve açıklanabilir yapay zeka iş akışlarını kullanmak için, kurumsal gereksiniminizin, yapay zeka modellerini izlemek, izlemek ve yeniden eğitmek için tümleşik bir sisteme gereksinim duyması gerekir. Cloud Pak for Data as a Service , üretimde makine öğrenimi ve yapay zeka modellerini izleme, sürdürme, otomatikleştirme ve yönetme teşebbüsünüzün etkinleştirilmesini sağlayacak süreçleri ve teknolojileri sağlar.

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

Bu video, bu belgelerdeki yazılı adımların izlenmesine alternatif olarak bir görsel yöntem sağlar.

Zorluklar

Kuruluşlar için yapay zeka yönetişimi çözümleri oluşturulması, bu zorlukların üstesinden gelmelerini içerir:

Model yönetişimi ve uyumluluğunun sağlanması
Kuruluşlar, uyumluluğu sağlamak ve tüm paydaşlara görünürlük sağlamak için modellerin ayrıntılı geçmişini izlemeniz ve belgeline gereksinim duyarlar.

Risklerin yönetilmesi ve sorumlu yapay zekânın sağlanması
Kuruluşların, modellerin geçerli ve doğru olduğundan emin olmak için modellerin üretimde izlenmesi gerekir ve bunların önyargı ya da amaçlanan hedeflerden uzaklaşılmadığından emin olmak gerekir.

Model yaşam çevriminin işleyişi
Kuruluşlar, modelleri üretim ortamlarıyla verimli bir şekilde yeniden eğitmek ve devreye almak için yinelenebilir işlemleri gerçekleştirmeye gereksinim duyarlar.

Cloud Pak for Data as a Serviceüzerindeki veri yöneltme yapısı ile yapay zeka yönetişimi yaşam çevrimini uygulayarak bu zorlukları çözebilirsiniz.


Örnek: Altın Bankasının zorlukları

Yeni çevrimiçi uygulama sürecinin uyumlu ve açıklanabilir olduğundan emin olmak için yapay zeka yönetişimi sürecini uyguladığı için Altın Bankası 'nın öykülerini izleyin. Altın Bankadaki iş analistleri, uyumluluğu sağlamak için model bilgilerini gözden geçirmeleri, modellerin üretimden üretime kadar ilerlediğini onaylar ve paylaşılacak ya da arşivler için raporlar oluşturabilir.

Süreç

Kuruluşunuz için yapay zeka yönetişimi uygulamak için, kuruluşunuz aşağıdaki işlemleri gerçekleştirebilir:

  1. İzleme modelleri
  2. Monitor Model'ler
  3. 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 yapay zeka yönetişimi çözümünü uygulamak için gereksinim duyduğu araçları ve süreçleri sağlar.

Yapay zeka yönetişimi kullanım senaryosının akışını gösteren resim

1. İzleme modelleri

Ekibiniz, makine öğrenimi modellerinizi isteğinden üretime kadar izleyebilir ve modellerin kuruluşunuzun mevzuatına ve gereksinimlerinize uygun olup olmadığını değerlendirebilir.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Kategoriler Watson Knowledge Catalogiçindeki bir katalogdaki model dökümünde, yeni bir model için bir kullanım senaryosu oluşturun.

Tüm kayıtlı varlıklar için yaşam çevrimi durumunu görüntüleyin ve model kullanım senaryosına kayıtlı olan modeller veya devreye alımlar için detaya inme.

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

Genel devreye alma ayrıntılarını, değerlendirme ayrıntılarını, kalite metriklerini görüntüleyin, adalet detayları ve sürüklenme detayları.
Veri bilimi ekibinden yeni bir model talep etmeniz gerekiyor.

Modelinizin uyumlu olduğundan ve beklendiği gibi performans gösterdiğinden emin olmak istiyorsunuz.

İzleme verilerine dayalı bir modeli güncellemeniz gerekip gerekmediğini belirlemek istiyorsunuz.

Ayrıntıları paylaşmak ya da korumak için bir model üzerinde raporları çalıştırmak 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.


2. Monitor konuşlandırılan modeller

Modeller konuşlandırıldıktan sonra, açıklanabilir ve saydam olduğundan emin olmak için bunları yönetmek ve izlemek önemlidir. Veri bilimciler, öngörülerin örtük ya da açık bir önyargı olup olmadığını belirleyebilmeleri için modellerin belirli tahminlere nasıl geldiğini açıklayabilmelidir. 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 eşitlik sorunlarını birden çok özellik arasında izleyin.

Monitor Model performansı ve zaman içinde veri tutarlılığı.

Modein, ağırlıklı etkenlerle belirli öngörülere nasıl varolduğunu açıklar.

Kuruluşunuz genelinde model yönetişimi ve yaşam çevrimi üzerinde bakım yapın ve raporlama yapın.
Korunmuş ya da öngörü adaletine katkıda bulunabilecek özellikiniz var.

Model performansını ve veri tutarlılıklarını zaman içinde izlemek istiyorsunuz.

Modele neden belirli tahminler verdiğini bilmek istiyorsunuz.


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 geldiği konusunda da öngörüler elde ederler.


3. ML yaşam çevriminin otomatikleştirilmesi

Your team can automate and simplify the MLOps and AI lifecycle with Watson Pipelines.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Watson Boru Hatları Makine öğrenimi boru hatlarını otomatikleştiren yinelenebilir ve zamanlanan akışları, veri kaynağından model eğitimi, test ve devreye alma işlemlerini otomatikleştiren, yinelenebilir ve zamanlanmış akışları oluşturmak için kullanılan ardışık düzenleri kullanın. MLOps akışındaki adımların bazılarını ya da tümünü otomatikleştirmek istiyorsunuz.


Örnek: Altın Bankasının otomatik ML yaşam çevrimi

Altın Bankadaki veri bilimciler, yapay zeka yönetişimi yaşam çevrimini ve süreçlerini otomatikleştirmek için boru hatlarını kullanarak model yeniden eğitim sürecini basitleştirebilir.


Yapay AI yönetişimi için

Eğitici Program Tanım 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