Monitorando o modelo com o Watson OpenScale

Por: Scott Dangelo e Lukasz Cmielowski.

Publicado em: 4 de outubro de 2019.

Esse padrão de código faz parte dos seguintes caminhos de aprendizado: Introdução ao IBM Cloud Pak for Data e Introdução ao Watson OpenScale.

Sumário

Nesse padrão de código, utilizaremos os dados do German Credit (crédito alemão) para treinar, criar e implementar um modelo de machine learning usando o Watson Machine Learning no IBM Cloud Pak for Data. Criaremos um repositório de dados para este modelo com o Watson OpenScale e configuraremos o OpenScale para monitorar essa implementação. Em seguida, inseriremos sete dias de registros históricos e medições para visualização no painel do OpenScale Insights.

Descrição

O conjunto de dados utilizado para esse padrão contém informações sobre aplicativos de crédito de vários usuários. Podemos usar uma rede neural profunda a fim de criar um modelo de machine learning utilizando o Watson Machine Learning e, em seguida, implementar esse modelo para uso na previsão de risco futuro de padrão. Devido à natureza sensível da pontuação de crédito, este é um caso de uso ideal para a solução local oferecida pelo IBM Cloud Pak for Data.

O modelo de ML implementado agora pode ser monitorado pelo Watson OpenScale. O uso contínuo gera dados que permitem aos administradores garantir a qualidade do modelo e oferece explicações sobre quais recursos do conjunto de dados são mais influentes na criação da pontuação de risco. A detecção de polarização será configurada para permitir uma visão mais detalhada da equidade das previsões do modelo. Todas essas informações estão disponíveis no painel do OpenScale e em grandes detalhes.

Depois de concluir esse padrão de código, você entenderá como:

• Criar e implementar um modelo de machine learning através do serviço Watson Machine Learning no IBM Cloud Pak for Data.

• Configurar o Watson OpenScale Data Mart.

• Associar o Watson Machine Learning ao Watson OpenScale Data Mart.

• Adicionar assinaturas ao Data Mart.

• Ativar o registro de carga útil e o monitor de desempenho para ativos registrados.

• Ativar o monitor de qualidade (precisão).

• Ativar o monitor de legitimidade.

• Classificar o modelo de crédito alemão utilizando o Watson Machine Learning.

• Inserir cargas históricas, métricas de legitimidade e métricas de qualidade no Data Mart.

• Utilizar o Data Mart para acessar os dados das tabelas via assinatura.

Fluxo

Fluxo

• 1. O desenvolvedor cria um Jupyter Notebook no IBM Cloud Pak for Data.
• 2. O OpenScale no IBM Cloud Pak for Data está conectado a um banco de dados DB2, utilizado para armazenar dados do Watson OpenScale.
• 3. O notebook está conectado ao Watson Machine Learning, e um modelo é treinado e implementado.
• 4. O Watson OpenScale é utilizado pelo notebook para registrar a carga útil e monitorar o desempenho, a qualidade e a legitimidade.
• 5. O OpenScale monitorará o modelo do Watson Machine Learning quanto a desempenho, legitimidade, qualidade e explicabilidade.

Instruções

Pronto para utilizar esse padrão de código? Encontre detalhes completos sobre como começar a executar no README. As etapas mostram a você como:

• 1. Clonar o repositório
• 2. Criar um novo projeto e espaço de implementação
• 3. Configurar o OpenScale em um Jupyter Notebook
• 4. Utilizar o painel para o OpenScale

Conclusão

Esse padrão de código mostrou como treinar, criar e implementar um modelo de machine learning através do Watson Machine Learning no IBM Cloud Pak for Data. O padrão de código faz parte da série de caminhos de aprendizado Introdução ao IBM Cloud Pak for Data.

O padrão também faz parte do caminho de aprendizado Introdução ao Watson OpenScale. Para continuar com esse caminho, consulte Utilizando o OpenScale com qualquer modelo, em qualquer lugar.

...

Quer ler mais conteúdo especializado de programação? Conheça a IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!