Go back to the English version of the documentation受支持的机器学习提供程序
受支持的机器学习提供程序
Last updated: 2024年11月28日
watsonx.aiRuntime 和许多第三方机器学习提供商都支持机器学习模型评估。
使用其中一个受支持的机器学习提供程序来执行有效内容日志记录，反馈日志记录，以及在模型评估过程中测量性能准确性，运行时偏差检测，可解释性和自动除偏功能。
- watsonx.ai运行时
- Azure ML Studio
- Azure ML Service
- AWS SageMaker
- 自定义（自定义机器学习框架必须与watsonx.aiRuntime 具有同等功能。）
支持多个机器学习引擎
在配置机器学习模型评估或使用PythonSDK 时，您可以配置多个机器学习引擎。
为机器学习模型评估添加提供商
- 在配置"
选项卡中，单击添加机器学习提供程序。 - 选择要添加的提供程序。
- 输入所需的信息 (例如凭证) ，然后单击 保存。
更改或更新机器学习提供程序的详细信息
单击磁贴菜单 "
图标，然后单击 "查看和编辑详细信息"。
使用 Python SDK 添加机器学习提供程序
您可以使用PythonAPI 的 "wos_client.service_providers.add方法为模型评估添加多个机器学习引擎。
IBM watsonx.ai运行时
要添加IBM watsonx.aiRuntime 机器学习引擎，请运行以下命令：
WML_CREDENTIALS = {
"url": "https://us-south.ml.cloud.ibm.com",
"apikey": IBM CLOUD_API_KEY
}
wos_client.service_providers.add(
name=SERVICE_PROVIDER_NAME,
description=SERVICE_PROVIDER_DESCRIPTION,
service_type=ServiceTypes.WATSON_MACHINE_LEARNING,
deployment_space_id = WML_SPACE_ID,
operational_space_id = "production",
credentials=WMLCredentialsCloud(
apikey=CLOUD_API_KEY, ## use `apikey=IAM_TOKEN` if using IAM_TOKEN to initiate client
url=WML_CREDENTIALS["url"],
instance_id=None
),
background_mode=False
).result
Microsoft Azure ML Studio
要添加 Azure ML Studio 机器学习引擎，请运行以下命令：
AZURE_ENGINE_CREDENTIALS = {
"client_id": "",
"client_secret": "",
"subscription_id": "",
"tenant": ""
}
wos_client.service_providers.add(
name=SERVICE_PROVIDER_NAME,
description=SERVICE_PROVIDER_DESCRIPTION,
service_type=ServiceTypes.AZURE_MACHINE_LEARNING,
#deployment_space_id = WML_SPACE_ID,
#operational_space_id = "production",
credentials=AzureCredentials(
subscription_id= AZURE_ENGINE_CREDENTIALS['subscription_id'],
client_id = AZURE_ENGINE_CREDENTIALS['client_id'],
client_secret= AZURE_ENGINE_CREDENTIALS['client_secret'],
tenant = AZURE_ENGINE_CREDENTIALS['tenant']
),
background_mode=False
).result
Amazon SageMaker
要添加 AWS Sagemaker 机器学习引擎，请运行以下命令：
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
Microsoft Azure ML Service
要添加 Azure ML Service 机器学习引擎，请运行以下命令：
service_type = "azure_machine_learning_service"
added_service_provider_result = wos_client.service_providers.add(
name=SERVICE_PROVIDER_NAME,
description=SERVICE_PROVIDER_DESCRIPTION,
service_type = service_type,
credentials=AzureCredentials(
subscription_id= AZURE_ENGINE_CREDENTIALS['subscription_id'],
client_id = AZURE_ENGINE_CREDENTIALS['client_id'],
client_secret= AZURE_ENGINE_CREDENTIALS['client_secret'],
tenant = AZURE_ENGINE_CREDENTIALS['tenant']
),
background_mode=False
).result
生成机器学习提供程序的列表
要查看所有绑定的列表，请运行 list 方法：
client.service_providers.list()
| uid | 名称 | service_type | 已创建 |
|---|---|---|---|
| e88ms###-####-####-############ | My Azure ML Service engine | azure_machine_learning | 2019-04-04T09:50:33.189Z |
| e88sl###-####-####-############ | My Azure ML Studio engine | azure_machine_learning | 2019-04-04T09:50:33.186Z |
| e00sjl###-####-####-############ | WML instance | watson_machine_learning | 2019-03-04T09:50:33.338Z |
| e43kl###-####-####-############ | My AWS SageMaker engine | sagemaker_machine_learning | 2019-04-04T09:50:33.186Z |
有关特定机器学习引擎的信息，请参阅以下主题：
- 添加定制机器学习引擎
- 添加 Microsoft Azure Machine Learning Studio 引擎
- 添加 Microsoft Azure Machine Learning Service 引擎
- 添加 Amazon SageMaker 机器学习引擎
有关编码示例，请参阅 Watson OpenScale 样本 Notebook。