per la valutazione dei modelli di apprendimento automatico sono supportati watsonx.ai Runtime e molti fornitori di apprendimento automatico di terze parti.
Utilizzare uno di questi provider di machine learning supportati per eseguire la registrazione del payload, la registrazione del feedback e per misurare l'accuratezza delle prestazioni, il rilevamento della distorsione del runtime, l'esplicabilità e la funzione di annullamento della distorsione automatico come parte della valutazione del modello.
- runtimewatsonx.ai
- Azure ML Studio
- ServizioAzure ML
- AWS SageMaker
- Personalizzato (il framework di apprendimento automatico personalizzato deve avere funzionalità equivalenti a quelle di watsonx.ai Runtime)
Supporto per più motori di machine learning
È possibile fornire più motori di apprendimento automatico quando si configurano valutazioni di modelli di apprendimento automatico o si utilizza l'SDKPython.
Aggiunta di fornitori per le valutazioni dei modelli di apprendimento automatico
- Dalla scheda Configura '
, fare clic su Aggiungi provider di apprendimento automatico. - Selezionare il provider che si desidera aggiungere.
- Immettere le informazioni richieste, come le credenziali, e fare clic su Salva.
Modifica o aggiornamento dei dettagli per i provider di machine learning
Fare clic sull'icona del menu a piastrelle " 
e poi su Visualizza e modifica i dettagli.
Aggiunta di provider di machine learning utilizzando l'SDK Python
È possibile aggiungere più di un motore di apprendimento automatico per la valutazione dei modelli utilizzando il metodo 'wos_client.service_providers.add dell'API Python.
Runtime IBM watsonx.ai
Per aggiungere il motore di apprendimento automatico IBM watsonx.ai Runtime, eseguire il seguente 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
Per aggiungere il motore di machine learning Azure ML Studio, eseguire il seguente comando:
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
Per aggiungere il motore di machine learning Sagemaker AWS , eseguire il seguente comando:
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
Per aggiungere il motore di machine learning Azure ML Service, eseguire il seguente comando:
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
Produzione di un elenco di provider di machine learning
Per visualizzare un elenco di tutti i collegamenti, eseguire il metodo list:
client.service_providers.list()
| uid | nome | tipo_servizio | creazione eseguita |
|---|---|---|---|
| e88ms###-####-####-############ | motore Azure ML Service | azure_machine_learning | 2019-04-04T09:50:33.189Z |
| e88sl###-####-####-############ | motore Azure ML Studio | azure_machine_learning | 2019-04-04T09:50:33.186Z |
| e00sjl###-####-####-############ | istanza WML | watson_machine_learning | 2019-03-04T09:50:33.338Z |
| e43kl###-####-####-############ | motore AWS SageMaker | sagemaker_machine_learning | 2019-04-04T09:50:33.186Z |
Per informazioni su specifici motori di machine learning, consultare i seguenti argomenti:
- Aggiungere il motore di machine learning personalizzato.
- Aggiungi il tuo motore Studio di machine learning Microsoft Azure
- Aggiungi il motore del servizio di machine learning Microsoft Azure
- Aggiungi il motore di machine learning Amazon SageMaker
Per un esempio di codifica, vedi i notebook di esempio Watson OpenScale.
Argomento principale: Valutazione dei modelli AI con Watson OpenScale