Surveiller un moteur d’apprentissage automatique personnalisé avec Watson OpenScale

Ce modèle décrit une méthode d'utilisation de Watson OpenScale et d'un moteur d’apprentissage automatique personnalisé de service de modèles. Avec Watson OpenScale, nous pouvons surveiller la qualité du modèle et enregistrer les charges utiles, indépendamment du lieu où le modèle est hébergé. Dans ce cas, nous utilisons l'exemple d'une application de service de modèles personnalisés, qui illustre la nature ouverte et agnostique de Watson OpenScale.

IBM Watson OpenScale est un environnement ouvert qui permet aux organisations d’automatiser et d’opérationnaliser leur IA.

OpenScale fournit une plateforme puissante pour la gestion des IA et des modèles ML sur le cloud IBM, cela quel que soit leur lieu de déploiement, tout en offrant les avantages suivants :

• ouvert à la conception, Watson OpenScale permet de surveiller et de gérer les modèles ML et DL construits à l’aide de n’importe quel framework ou EDI et déployés sur n’importe quel moteur d’hébergement de modèles ;

• obtenir des résultats plus justes : Watson OpenScale détecte et aide à atténuer les biais des modèles afin de mettre en évidence les problèmes d'équité. La plateforme fournit une explication en texte clair des plages de données affectées par les biais du modèle, ainsi que des visualisations aidant les scientifiques des données et les utilisateurs professionnels à comprendre l'impact sur les résultats commerciaux. Lorsque des biais sont détectés, Watson OpenScale crée automatiquement un modèle associé sans biais qui s’exécute en parallèle du modèle déployé, prévisualisant ainsi les résultats plus équitables attendus pour les utilisateurs sans remplacer le modèle original ;
• explication des transactions : Watson OpenScale aide les entreprises à apporter plus de transparence et d’auditabilité aux applications infusées par l’IA en générant des explications sur les transactions individuelles analysées, y compris les attributs utilisés pour effectuer la prédiction et le poids de chaque attribut ;
• automatiser la création d’IA : – le Neural Network Synthesis (NeuNetS), disponible en version bêta dans cette mise à jour, synthétise les réseaux de neurones en élaborant de manière fondamentale une conception personnalisée pour un ensemble de données. Dans la version bêta, NeuNetS prendra en charge les modèles de classification des images et des textes. NeuNetS réduit le temps et la barrière des compétences nécessaires à la conception et à la formation de réseaux de neurones personnalisés, plaçant ainsi ces derniers à la portée des experts en la matière, tout en améliorant la productivité des chercheurs en données.

Lorsque vous aurez terminé ce modèle de code, vous comprendrez comment :

• construire un moteur de service de modèle personnalisé à l'aide de Keras ;
• accéder au modèle personnalisé à l'aide d'une API REST ;
• enregistrer les charges utiles du modèle à l'aide de Watson OpenScale.

Le schéma du flux se présente comme suit :

1. L'utilisateur déploie le serveur d'applications sur le cloud IBM à l'aide de Kubernetes et de Docker.
2. L'utilisateur crée un bloc-notes Jupyter sur Watson ™ Studio et configure Watson OpenScale et Compose PostgreSQL.
3. Watson OpenScale est utilisé pour surveiller un modèle d’apprentissage automatique pour l’enregistrement et la qualité de la charge utile.
4. Le serveur d'applications est utilisé pour évaluer le modèle déployé.

Dans ce modèle de code, nous allons enregistrer la charge utile d'un modèle déployé sur un moteur de service de modèle personnalisé à l'aide de Watson OpenScale python sdk. Nous allons utiliser Keras pour créer une REST API d'apprentissage approfondi, puis surveiller avec Watson OpenScale.

Lorsque le lecteur aura terminé ce modèle de code, il sera en mesure de comprendre comment :

• Construire un moteur de service de modèle personnalisé en utilisant Keras
• Accéder au modèle personnalisé à l'aide d'une REST API
• Enregistrer les charges utiles du modèle avec Watson OpenScale

III-A. Résumé des étapes▲

III-B. Prérequis▲

III-C. Étape 1 : cloner le repo▲

III-D. Étape 2 : créer des services Watson avec IBM Cloud▲

III-E. Étape 3 : créer un bloc-notes dans IBM Watson Studio▲

III-F. Étape 4 : exécuter le serveur d’applications▲

III-G. Exécuter le bloc-notes dans IBM Watson Studio▲

ibmcloud login --sso
ibmcloud iam api-key-create 'my_key'

III-H. Échantillon d’output▲

{"count":3,"resources":[{"entity":{"asset":{"guid":"resnet50","name":"resnet50"},"asset_properties":{"input_data_type":"unstructured_image","problem_type":"multiclass"},"description":"Keras ResNet50 model deployment for image classification","name":"ResNet50 AIOS compliant deployment","scoring_url":"http://169.60.16.73:31520/v1/deployments/resnet50/online"},"metadata":{"created_at":"2016-12-01T10:11:12Z","guid":"resnet50","modified_at":"2016-12-02T12:00:22Z"}},{"entity":{"asset":{"guid":"resnet50","name":"resnet50"},"asset_properties":{"input_data_type":"unstructured_image","problem_type":"multiclass"},"description":"Keras ResNet50 model deployment for image classification","name":"ResNet50 AIOS non compliant deployment","scoring_url":"http://169.60.16.73:31520/v1/deployments/resnet50_non_compliant/online"},"metadata":{"created_at":"2016-12-01T10:11:12Z","guid":"resnet50_non_compliant","modified_at":"2016-12-02T12:00:22Z"}},{"entity":{"asset":{"guid":"action","name":"area and action prediction"},"asset_properties":{"input_data_type":"structured","problem_type":"multiclass"},"description":"area and action spark models deployment","name":"action deployment","scoring_url":"http://169.60.16.73:31520/v1/deployments/action/online"},"metadata":{"created_at":"2016-12-01T10:11:12Z","guid":"action","modified_at":"2016-12-02T12:00:22Z"}}]}

{   'Results:': [   {   'prediction': 'beagle', 'probability': '0.98777544'},
                    {   'prediction': 'pot', 'probability': '0.0020967727'},
                    {   'prediction': 'Cardigan', 'probability': '0.0013517012'},
                    {   'prediction': 'Walker_hound',
                        'probability': '0.0012711119'},
                    {   'prediction': 'Brittany_spaniel',
                        'probability': '0.0010085113'}]}

Ce modèle de code est sous la licence Apache, version 2. Les objets de code tiers distincts invoqués dans ce modèle de code sont concédés sous licence par leurs fournisseurs respectifs en vertu de leurs propres licences distinctes. Les contributions sont soumises au certificat d'origine du développeur, version 1.1 et à la licence Apache, version 2 .

Developpez.com remercie IBM pour l’autorisation de publication de ce tutoriel. Les remerciements également à Guillaume SIGUI pour la mise au gabarit et Malick pour la relecture orthographique.