使用Watson OpenScale监控Sagemaker机器学习

时间:2019-03-04 18:32:11 阅读:12次
摘要
此代码模式描述了一种通过使用Watson OpenScale和SageMaker机器学习模型获得洞察力的方法。它解释了如何使用Amazon SageMaker创建逻辑回归模型,其中包含来自UC Irvine机器学习数据库的数据。该模式使用Watson OpenScale绑定部署在AWS云中的机器学习模型,创建订阅以及执行有效负载和反馈日志记录。
描述
使用Watson OpenScale,您可以监控模型质量和日志有效负载,无论模型托管在何处。此代码模式使用Amazon Web Service(AWS)SageMaker模型的示例,该模型演示了Watson OpenScale的独立性和开放性。 IBM Watson OpenScale是一个开放式环境,使组织能够自动化和操作AI。 OpenScale提供了一个功能强大的平台,用于在IBM Cloud或任何可能部署的地方管理AI和机器学习模型,并提供以下优势:
开放式设计:Watson OpenScale允许监控和管理使用任何框架或IDE构建并部署在任何模型托管引擎上的机器学习和深度学习模型。
推动更公平的结果:Watson OpenScale检测并帮助缓解模型偏差以突出公平性问题。该平台提供了受模型偏差影响的数据范围的纯文本说明,以及帮助数据科学家和业务用户了解对业务成果影响的可视化。在检测到偏差时,Watson OpenScale会自动创建一个在部署模型旁边运行的去偏置伴随模型,从而在不替换原始模型的情况下预览用户期望的更公平的结果。
解释事务:Watson OpenScale通过为正在评分的单个事务生成解释,帮助企业为AI注入的应用程序带来透明度和可审计性,包括用于进行预测和每个属性权重的属性。
自动创建AI:神经网络综合(NeuNetS),目前作为测试版提供,通过从根本上为给定数据集构建定制设计来合成神经网络。在测试版中,NeuNetS支持图像和文本分类模型。 NeuNetS缩短了时间并降低了设计和训练定制神经网络所需的技能障碍,从而将神经网络置于非技术主题专家的手中,并使数据科学家的工作效率更高。
完成此代码模式后,您将了解如何:
使用AWS SageMaker准备数据,训练模型并进行部署
使用样本评分记录和评分终点对模型进行评分
设置Watson OpenScale数据集市
将SageMaker模型绑定到Watson OpenScale数据集市
添加订阅数据集市
为订阅的资产启用有效负载日志记录和性能监视
使用数据集市通过订阅访问表数据

开发人员使用来自UCI机器学习数据库的数据创建Jupyter Notebook。
Jupyter Notebook连接到存储Watson OpenScale数据的PostgreSQL数据库。
使用AWS SageMaker创建机器学习模型并将其部署到云。
笔记本使用Watson Open Scale来记录有效负载和监视器性能。
说明
在自述文件中找到此模式的详细步骤。这些步骤告诉您如何:
克隆存储库。
为PostgreSQL数据库创建一个Compose。
创建Watson OpenScale服务。
运行笔记本电脑。
使用Watson OpenScale监控Sagemaker机器学习所属专题:Sagemaker OpenScale 《使用Watson OpenScale监控Sagemaker机器学习》链接:http://www.zhouchuanxiong.net/619