Docs
...
Supported machine learning engines, frameworks, and models

Fournisseurs d'apprentissage automatique pris en charge

Dernière mise à jour : 28 nov. 2024
Fournisseurs d'apprentissage automatique pris en charge

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.

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

  1. Dans l'onglet Configurer " l'icône de configuration est affichée, cliquez sur Ajouter un fournisseur d'apprentissage automatique.
  2. Sélectionnez le fournisseur que vous voulez ajouter.
  3. 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 " Icône de menu de mosaïque 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()

Tableau 1. Liaisons de service
numéro d"identification utilisateur nom type_service 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, consultez les rubriques suivantes :

Pour un exemple de codage, voir les exemples de bloc-notes Watson OpenScale.

Rubrique parent: Evaluation des modèles d'IA avec Watson OpenScale