watsonx.ai Runtime y muchos proveedores de aprendizaje automático de terceros son compatibles con las evaluaciones de modelos de aprendizaje automático.
Utilice uno de estos proveedores de aprendizaje automático soportados para realizar el registro de carga útil, el registro de comentarios y para medir la precisión del rendimiento, la detección de sesgos en tiempo de ejecución, la explicabilidad y la función de eliminación automática de sesgo como parte de la evaluación del modelo.
- tiempo de ejecución dewatsonx.ai
- Azure ML Studio
- Azure ML Service
- AWS SageMaker
- Personalizado (El marco de aprendizaje automático personalizado debe tener una funcionalidad equivalente a watsonx.ai Runtime)
Soporte para varios motores de aprendizaje automático
Puede aprovisionar varios motores de aprendizaje automático cuando configure evaluaciones de modelos de aprendizaje automático o utilice el SDK dePython.
Añadir proveedores para evaluaciones de modelos de aprendizaje automático
- En la pestaña Configurar "
", haga clic en Añadir proveedor de aprendizaje automático. - Seleccione el proveedor que desea añadir.
- Especifique la información necesaria, como las credenciales, y pulse Guardar.
Cambio o actualización de detalles para proveedores de aprendizaje automático
Haga clic en el icono ' 
del menú de mosaico y, a continuación, en Ver y editar detalles.
Adición de proveedores de aprendizaje automático mediante el SDK de Python
Puede añadir más de un motor de aprendizaje automático para las evaluaciones de modelos utilizando el método ' wos_client.service_providers.add de la API de Python.
Tiempo de ejecución de IBM watsonx.ai
Para añadir el motor de aprendizaje automático IBM watsonx.ai Runtime, ejecute el siguiente comando:
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
Para añadir el motor de aprendizaje automático de Azure ML Studio, ejecute el mandato siguiente:
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
Para añadir el motor de aprendizaje automático de AWS Sagemaker, ejecute el mandato siguiente:
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
Para añadir el motor de aprendizaje automático de Azure ML Service, ejecute el mandato siguiente:
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
Elaboración de una lista de proveedores de aprendizaje automático
Para ver una lista de todos los enlaces, ejecute el método list:
client.service_providers.list()
| uid | nombre | service_type | created |
|---|---|---|---|
| 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 |
Para obtener información sobre los motores de aprendizaje automático específicos, consulte los temas siguientes:
- Añada el motor de aprendizaje de la máquina personalizada.
- Añada el motor Microsoft Azure Machine Learning Studio
- Añada el motor de servicio de aprendizaje automático de Microsoft Azure
- Añadir el motor de aprendizaje automático de Amazon SageMaker
Para ver un ejemplo de codificación, consulte los cuadernos de ejemplo de Watson OpenScale.
Tema principal: Evaluación de modelos de IA con Watson OpenScale