Amazon SageMaker 'ı Watson OpenScale' e Ekleme

Watson OpenScale ' u Amazon SageMaker ile çalışmak üzere aşağıdaki yöntemlerden birini kullanarak yapılandırabilirsiniz:

• Bir makine öğrenimi sağlayıcısını Watson OpenScale' ye ilk kez eklediğinizde, yapılandırma arabirimini kullanabilirsiniz. Daha fazla bilgi için Amazon SageMaker örneğinin belirtilmesibaşlıklı konuya bakın.
• You can also add your machine learning provider by using the Python SDK. Birden fazla sağlayıcıya sahip olmak istiyorsanız, bu yöntemi kullanmanız gerekir. Daha fazla bilgi için Amazon SageMaker makine öğrenimi motorunu eklemebaşlıklı konuya bakın.

Örnek Dizüstü Bilgisayarlar

Aşağıdaki Not defterleri, Amazon SageMakerile nasıl çalışacağını göstermektedir:

• Kredi riski öngörüsü modelinin oluşturulması ve devreye alınması
• Veri reyonu oluşturma, model devreye alma izleme ve veri analizi

Amazon SageMaker ML hizmeti eşgörünümünü belirtme

Watson OpenScale aracındaki ilk adımınız, bir Amazon SageMaker hizmet eşgörünümünü belirtmekten başka bir şey değildir. Amazon SageMaker hizmet eşgörünümünüz, yapay zeka modellerinizi ve konuşlandırmalarınızı sakladığınız yerdir.

Amazon SageMaker hizmet eşgörünümünüzü bağlayın.

Watson OpenScale , bir Amazon SageMaker hizmet eşgörünümündeki yapay zeka modellerine ve devreye alımlarına bağlanır. Hizmetinizi Watson OpenScale' e bağlamak için, Yapılandır sekmesine gidin, bir makine öğrenme sağlayıcısı ekleyin ve Düzenle simgesini tıklatın. In addition to a name and description and whether the environment Üretim Öncesi or Üretim, you must provide the following information that is specific to this type of service instance:

• Access Key ID: Your AWS access key ID, aws_access_key_id, which verifies who you are and authenticates and authorizes calls that you make to AWS.
• Secret Access Key: Your AWS secret access key, aws_secret_access_key, which is required to verify who you are and to authenticate and authorize calls that you make to AWS.
• Bölge: Erişim Anahtarı Tanıtıcınız 'nın yaratıldığı bölgeyi girin. Anahtarlar depolanır ve yaratıldıkları bölgede kullanılır ve başka bir bölgeye aktarılamaz.

Artık konuşlandırılmış modelleri seçmeye ve izleme programlarınızı yapılandırmanız için hazırsınız. Watson OpenScale lists your deployed models on the Öngörüler dashboard where you can click Gösterge panosuna ekle. İzlemek istediğiniz konuşlandırmaları seçin ve Yapılandırdüğmesini tıklatın.

Ek bilgi için İzleme programlarının yapılandırılmasıbaşlıklı konuya bakın.

Amazon SageMaker makine öğrenimi motoru ile bilgi yükü günlüğe kaydetme

Amazon SageMaker makine öğrenimi motorunuzu ekleyin

IBM dışı birWatson Machine Learning altyapısı, meta veriler kullanılarak Özel olarak bağlanır. IBM Watson Machine Learning dışı hizmetle doğrudan bütünleştirme mümkün değildir.

SAGEMAKER_ENGINE_CREDENTIALS = {
                   'access_key_id':””,
                   'secret_access_key':””,
                   'region': '}
 
wos_client.service_providers.add(
        name="AWS",
        description="AWS Service Provider",
        service_type=ServiceTypes.AMAZON_SAGEMAKER,
        credentials=SageMakerCredentials(
            access_key_id=SAGEMAKER_ENGINE_CREDENTIALS['access_key_id'],
            secret_access_key=SAGEMAKER_ENGINE_CREDENTIALS['secret_access_key'],
            region=SAGEMAKER_ENGINE_CREDENTIALS['region']
        ),
        background_mode=False
    ).result

Hizmet aboneliğinizi görmek için aşağıdaki kodu çalıştırın:

client.service_providers.list()

Amazon SageMaker ML aboneliği ekle

Aboneliği eklemek için aşağıdaki kodu çalıştırın:

asset_deployment_details = wos_client.service_providers.list_assets(data_mart_id=data_mart_id, service_provider_id=service_provider_id).result
asset_deployment_details
 
deployment_id='684e35eee8a479470cee05983e1f9d64'
for model_asset_details in asset_deployment_details['resources']:
    if model_asset_details['metadata']['guid']==deployment_id:
        break
 
  
aws_asset = Asset(
        asset_id=model_asset_details['entity']['asset']['asset_id'],
        name=model_asset_details['entity']['asset']['name'],
        url=model_asset_details['entity']['asset']['url'],
        asset_type=model_asset_details['entity']['asset']['asset_type'] if 'asset_type' in model_asset_details['entity']['asset'] else 'model',
        problem_type=ProblemType.BINARY_CLASSIFICATION,
        input_data_type=InputDataType.STRUCTURED,
    )
 
from ibm_watson_openscale.base_classes.watson_open_scale_v2 import ScoringEndpointRequest
deployment_scoring_endpoint = model_asset_details['entity']['scoring_endpoint']
scoring_endpoint = ScoringEndpointRequest(url = model_asset_details['entity']['scoring_endpoint']['url'] )
 
deployment = AssetDeploymentRequest(
        deployment_id=model_asset_details['metadata']['guid'],
        url=model_asset_details['metadata']['url'],
        name=model_asset_details['entity']['name'],
        #description="asset['entity']['description']",
        deployment_type=model_asset_details['entity']['type'],
        scoring_endpoint =  scoring_endpoint
    )
 
asset_properties = AssetPropertiesRequest(
        label_column="Risk",
        prediction_field='predicted_label',
        probability_fields=['score'],
        training_data_reference=training_data_reference,
        training_data_schema=None,
        input_data_schema=None,
        output_data_schema=None,
        feature_fields=feature_columns,
        categorical_fields=categorical_columns
    )
 
subscription_details = wos_client.subscriptions.add(
        data_mart_id=data_mart_id,
        service_provider_id=service_provider_id,
        asset=aws_asset,
        deployment=deployment,
        asset_properties=asset_properties,
        background_mode=False
).result

Abonelik listesini almak için aşağıdaki komutu çalıştırın:

subscription_id = subscription_details.metadata.id
subscription_id
 
details: wos_client.subscriptions.get(subscription_id).result.to_dict()

Bilgi yükünü günlüğe kaydetmeyi etkinleştir

Bilgi yükü günlük kaydını etkinleştirmek için aşağıdaki komutu çalıştırın:

request_data = {'fields': feature_columns, 
                'values': [[payload_values]]}

Günlüğe kaydetme ayrıntılarını almak için aşağıdaki komutu çalıştırın:

response_data = {'fields': list(result['predictions'][0]),
                 'values': [list(x.values()) for x in result['predictions']]}

Puanlama ve bilgi yükü günlük kaydı

• Modelinizi not edin. Tam bir örnek için SageMaker makine öğrenme Motoru Not Defteri ile çalışma' e bakın.

Bilgi yükü günlük kaydı tablosunda isteği ve yanıtı depolamak için aşağıdaki kodu çalıştırın:

wos_client.data_sets.store_records(data_set_id=payload_data_set_id, request_body=[PayloadRecord(
           scoring_id=str(uuid.uuid4()),
           request=request_data,
           response=response_data,
           response_time=460
)])
 

Pythondışındaki diller için, bir REST API 'si kullanarak bilgi yükünü de günlüğe kaydetmenizi sağlar.

Üst konu: Desteklenen makine öğrenim motorları, çerçeve işleri ve modeller