Translation not up to date
Yapay zeka yönetişimi kullanım senaryosu
Sorumlu, şeffaf ve açıklanabilir yapay zeka iş akışlarını teşvik etmek için kuruluşunuz, yapay zeka modellerinin izlenmesi, izlenmesi ve yeniden eğitilmesi için bütünleştirilmiş bir sisteme gereksinim duyar. Cloud Pak for Data as a Service , kuruluşunuzun üretim ortamında makine öğrenimi ve yapay zeka modellerini izlemesini, sürdürmesini, otomatikleştirmesini ve yönetmesini sağlayacak süreçleri ve teknolojileri sağlar.
Bir yapay zeka yönetişim çözümünün uygulanmasına ilişkin kullanım senaryosuna bakmak için bu videoyu izleyin.
Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.
Yaşanan Zorluklar
Bir yapay zeka yönetişimi kullanım senaryosu uygulayarak kuruluşunuz için aşağıdaki zorlukları çözebilirsiniz:
- Model yönetişiminin ve uyumluluğunun sağlanması
- Kuruluşların mevzuata uygunluğu sağlamak ve tüm paydaşlara görünürlük sağlamak için modellerin ayrıntılı geçmişini takip etmesi ve belgelemesi gerekir.
- Riski yönetme ve sorumlu yapay zekayı sağlama
- Kuruluşların modellerin geçerli ve doğru olduğundan emin olmak için üretimde modelleri izlemeleri ve amaçlanan hedeflerden sapmadıklarından veya sapmadıklarından emin olması gerekir.
- Model yaşam çevriminin işletimleştirilmesi
- Kuruluşların, modelleri verimli bir şekilde yeniden eğitmek ve üretim ortamlarında devreye almak için yinelenebilir süreçler uygulaması gerekir.
Örnek: Golden Bank 'ın zorlukları
Yeni çevrimiçi uygulama sürecinin uyumlu ve açıklanabilir olmasını sağlamak için bir yapay zeka yönetişim süreci uygularken Golden Bank 'ın hikayesini izleyin. Golden Bank 'taki iş analistlerinin, uyumluluğun sağlanması, geliştirilmeden üretime kadar model ilerlemesinin onaylanması ve paylaşılması veya arşivlenmesi için raporlar oluşturulması için model bilgilerini incelemeleri gerekir.
Süreç
Kuruluşunuz için yapay zeka yönetişimi uygulamak üzere kuruluşunuz bu süreci izleyebilir:
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.
1. İzleme modelleri
Ekibiniz, makine öğrenimi modellerinizi istekten üretime kadar izleyebilir ve modellerin kuruluşunuzun yönetmeliklerine ve gereksinimlerine uygun olup olmadığını değerlendirebilir.
| Nelerin kullanılabileceğini | Neler yapabilirsiniz? | En iyi kullanım zamanı |
|---|---|---|
| Olgu Sayfaları | Watson Knowledge Catalogiçindeki bir katalogdaki model dökümünde, yeni bir model için bir kullanım senaryosu oluşturun. Tüm kayıtlı varlıkların yaşam çevrimi durumunu görüntüleyin ve model kullanım senaryosına kayıtlı modeller veya devreye alımlar için ayrıntılı bilgi sayfalarına gidin. Genel model ayrıntılarını, eğitim bilgilerini ve metrikleri ve giriş ve çıkış şemasını görüntüleyin. Genel devreye alma ayrıntılarını, değerlendirme ayrıntılarını, kalite ölçümlerini, Adalet detayları ve sürüklenme detayları. |
Veri bilimi ekibinizden yeni bir model istemeniz gerekir. Modelinizin beklendiği gibi uyumlu olduğundan ve performans gösterdiğinden emin olmak istiyorsunuz. Bir modeli izleme verilerine dayalı olarak güncellemeniz gerekip gerekmediğini belirlemek istiyorsunuz. Ayrıntıları paylaşmak ya da korumak için bir modelde raporlar çalıştırmak istiyorsunuz. |
Örnek: Golden Bank 'ın model takibi
Golden Bank 'taki iş analistleri "Mortgage Onay Modeli" talep ediyor. Daha sonra veri bilimcileri modeli oluşturup eğittikçe ve ModelOps mühendisleri devreye alıp değerlendirdikçe yapay zeka yaşam çevriminin tüm aşamalarında modeli izleyebilirler. Model geçmişiyle ilgili Factsheets belgesi ayrıntıları ve performansını gösteren metrikler oluşturur.
2. Monitor konuşlandırılmış modeller
Modeller devreye alındıktan sonra, açıklanabilir ve şeffaf oldulerinden emin olmak için bunları yönetmek ve izlemek önemlidir. Veri bilimcileri, modellerin belirli tahminlere nasıl ulaştıklarını açıklayabilmeli, böylece tahminlerin örtülü veya açık bir önyargıya sahip olup olmadığını belirleyebilmelidir. Ayrıca, modelin yaşam çevrimi boyunca model performansı ve veri tutarlılığı sorunlarını izlemek için en iyi uygulamadır.
| Nelerin kullanılabileceğini | Neler yapabilirsiniz? | En iyi kullanım zamanı |
|---|---|---|
| Watson OpenScale | Birden çok özelliğe ilişkin model adaletsizliği sorunlarını izleyin. Zaman içinde model performansını ve veri tutarlılığını izleyin. Modelin belirli tahminlere nasıl geldiğini ağırlıklı faktörlerle açıklayın. Kuruluşunuz genelinde model yönetişimini ve yaşam çevrimini koruyun ve raporlayın. |
Korunan ya da öngörü adaletine katkıda bulunabilecek özelliklere sahipsiniz. Model performansını ve veri tutarlılıklarını zaman içinde izlemek istiyorsunuz. Modelin belirli tahminleri neden verdiğini bilmek istiyorsunuz. |
Örnek: Golden Bank 'ın model izleme
Golden Bank veri bilimcileri, Watson OpenScale ürününü, devreye alınan "Mortgage Onay Modeli" ni izlemek için kullanarak, tüm Golden Bank konut kredisi başvurularının doğru olduğundan ve bunlara adil bir şekilde davrandığından emin olur. Modele ilişkin monitörleri ayarlamak için bir dizüstü bilgisayar çalıştırır ve ardından Watson OpenScale kullanıcı arabirimini kullanarak yapılandırmayı ayarlarlar. Watson OpenScale kalite monitörü ve adalet monitörü ölçümlerini kullanan veri bilimcileri, modelin sonuçları ne kadar iyi tahmin ettiğini ve herhangi bir önyargılı sonuç üretilip üretmediğini belirler. Ayrıca, kararların ipotek başvuran adaylara açıklanabilmesi için modelin kararlara nasıl geldiğine ilişkin öngörüler edinirler.
3. ML yaşam çevrimini otomatikleştirin
Ekibiniz, Watson Pipelinesile MLOps ve AI yaşam çevrimini otomatikleştirebilir ve basitleştirebilir.
| Nelerin kullanılabileceğini | Neler yapabilirsiniz? | En iyi kullanım zamanı |
|---|---|---|
| Watson Pipelines | Veri alımından eğitim, test ve devreye alma modellerine kadar makine öğrenimi hatlarını otomatikleştiren yinelenebilir ve zamanlanmış akışlar oluşturmak için boru hatlarını kullanın. | MLOps akışındaki adımların bazılarını ya da tümünü otomatikleştirmek istiyorsunuz. |
Örnek: Golden Bank 'ın otomatik ML yaşam çevrimi
Golden Bank veri bilimcileri, model yeniden eğitim sürecini basitleştirmek için tüm yapay zeka yönetişim yaşam çevrimini ve süreçlerini otomatikleştirmek için boru hatlarını kullanabilirler.
Yapay zeka yönetişimi için öğretici programlar
| Eğitici Program | Açıklama | Öğretici program için uzmanlık |
|---|---|---|
| Bir model eğitmeni oluşturun ve devreye alın | Bir modeli eğitir, devreye alma alanına yükseltir ve modeli devreye alın. | Bir dizüstü bilgisayar çalıştırın. |
| Model eğitmeninin sınanması ve geçerliliğinin denetlenmesi | Doğruluk, adalet ve açıklanabilirlik için bir modeli değerlendirin. | Bir dizüstü bilgisayar çalıştırın ve kullanıcı arabiriminde sonuçları görüntüleyin. |