watsonx.ai Runtime et de nombreux fournisseurs tiers d'apprentissage automatique sont pris en charge pour l'évaluation des modèles d'apprentissage automatique.
Utilisez l'un de ces fournisseurs d'apprentissage automatique pris en charge pour effectuer une journalisation de contenu utile, une journalisation des commentaires en retour et pour mesurer l'exactitude des performances, la détection de biais d'exécution, l'explicabilité et la fonction de débiaisement automatique dans le cadre de l'évaluation de votre modèle.
- watsonx.ai Runtime
- Azure ML Studio
- Azure ML Service
- AWS SageMaker
- Personnalisé (Le cadre d'apprentissage automatique personnalisé doit avoir des fonctionnalités équivalentes à celles du Runtime watsonx.ai )
Possibilité de moteurs d'apprentissage automatique multiples
Vous pouvez provisionner plusieurs moteurs d'apprentissage automatique lorsque vous configurez des évaluations de modèles d'apprentissage automatique ou que vous utilisez le SDKPython.
Ajout de fournisseurs pour les évaluations de modèles d'apprentissage automatique
- Dans l'onglet Configurer "
, cliquez sur Ajouter un fournisseur d'apprentissage automatique. - Sélectionnez le fournisseur que vous voulez ajouter.
- Entrez les informations requises, telles que les données d'identification, puis cliquez sur Sauvegarder.
Modification ou mise à jour des détails des fournisseurs d'apprentissage automatique
Cliquez sur l'icône " 
du menu en mosaïque, puis sur Afficher et modifier les détails.
Ajout de fournisseurs d'apprentissage automatique via le kit SDK Python
Vous pouvez ajouter plus d'un moteur d'apprentissage automatique pour l'évaluation des modèles en utilisant la méthode " wos_client.service_providers.add " de l'API Python.
IBM watsonx.ai Runtime
Pour ajouter le moteur d'apprentissage machine IBM watsonx.ai Runtime, exécutez la commande suivante :
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
Pour ajouter le moteur d'apprentissage automatique Azure ML Studio, exécutez la commande suivante :
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
Pour ajouter le moteur d'apprentissage automatique AWS Sagemaker, exécutez la commande suivante :
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
Pour ajouter le moteur d'apprentissage automatique Azure ML Service, exécutez la commande suivante :
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
Production de la liste des fournisseurs d'apprentissage automatique
Pour afficher la liste de toutes les liaisons, exécutez la méthode list :
client.service_providers.list()
| uid | nom | service_type | créé |
|---|---|---|---|
| e88ms###-####-####-############ | Mon moteur Azure ML Service | azure_machine_learning | 2019-04-04T09:50:33.189Z |
| e88sl###-####-####-############ | Mon moteur Azure ML Studio | azure_machine_learning | 2019-04-04T09:50:33.186Z |
| e00sjl###-####-####-############ | Instance WML | watson_machine_learning | 2019-03-04T09:50:33.338Z |
| e43kl###-####-####-############ | Mon moteur AWS SageMaker | sagemaker_machine_learning | 2019-04-04T09:50:33.186Z |
Pour des informations sur les différents moteurs d'apprentissage automatique, voir les rubriques suivantes :
- Ajoutez votre moteur d'apprentissage automatique personnalisé.
- Ajoutez votre moteur de studio d'apprentissage automatique Microsoft Azure
- Ajoutez votre moteur de service d'apprentissage automatique Microsoft Azure
- Ajouter votre moteur d'apprentissage automatique Amazon SageMaker
Pour un exemple de codage, voir les exemples de bloc-notes Watson OpenScale.
Rubrique parent: Evaluation des modèles d'IA avec Watson OpenScale