IBM Watson Machine Learning

Puede utilizar IBM Watson Machine Learning para realizar el registro de carga útil, el registro de comentarios, y para medir la precisión del rendimiento, la detección del sesgo de tiempo de ejecución, la detección de desviación, la explicabilidad y la función de sesgo automático en IBM Watson OpenScale.

IBM Watson OpenScale da soporte completo a las siguientes infraestructuras de IBM Watson Machine Learning:

Tabla 1. Detalles del soporte de las infraestructuras

¹Para obtener más información sobre AutoAI, consulte Detalles de implementación de AutoAI. Para los modelos en los que los datos de entrenamiento están en Cloud Object Storage, no hay soporte para los atributos de equidad de tipo booleano. Sin embargo, si los datos de entrenamiento están en Db2, Watson OpenScale da soporte a atributos de equidad que son de tipo booleano. Cuando se utiliza la opción AutoAI , Watson OpenScale no da soporte a modelos cuando la predicción del modelo es un tipo de datos binario. Debe cambiar estos modelos de modo que el tipo de datos de su predicción sea un tipo de datos de serie.

²Las métricas de equidad y desviación no están soportadas para tipos de datos no estructurados (imagen o texto).

³El soporte de Keras no incluye el soporte de la equidad.

⁴Se da soporte a la explicabilidad si el modelo o la infraestructura genera probabilidades de predicción.

⁵Para generar el modelo de detección de desviación, debe utilizar scikit-learn versión 0.24.1 en cuadernos.

⁶Para modelos binarios y de varias clases XGBoost, debe actualizar el modelo para que devuelva la probabilidad de predicción en forma de valores numéricos para los modelos binarios y una lista de probabilidades por clase para modelos de varias clases. El soporte para la infraestructura XGBoost tiene las siguientes limitaciones para los problemas de clasificación: para la clasificación binaria, Watson OpenScale admite la función de regresión logística binary:logistic con una salida como probabilidad de True. Para la clasificación de varias clases, Watson OpenScale da soporte a la función multi:softprob, donde el resultado contiene la probabilidad pronosticada de cada punto de datos que pertenece a cada clase.

Limitación de suscripciones XGBoost para modelos nativos XGBoost

Con la última versión de WML, la infraestructura de xgboost_0.82 está en desuso. La infraestructura soportada es xgboost_0.90, que debe utilizarse en combinación con Python 3.7. Para habilitar y mantener XGBoost versión 0.90 y Python 3.7, debe aplicar un parche en las suscripciones ejecutando el mandato siguiente:

PATCH /v2/subscriptions/<subscription_id>

Por ejemplo, el mandato siguiente proporciona el URL completo y el ID de suscripción:

PATCH https://namespace.apps.server.company.com/openscale/00000000-0000-0000-0000-000000000000/v2/subscriptions/18bbe3f9-c550-44e7-b948-675bafcb1c63

Se devuelve la carga útil esperada:

[{
    "op": "replace",
    "path": "\/asset\/runtime_environment",
    "value": "xgboost_0.90"
}]

Una vez que la suscripción se ha marcado correctamente y se ha realizado la puntuación, el esquema de datos de salida tendrá el rol de modelado correcto establecido:

{
    "metadata": {
        "modeling_role": "class_probability"
    },
    "name": "prediction",
    "nullable": true,
    "type": "double"
}, {
    "metadata": {},
    "name": "probability",
    "nullable": true,
    "type": "double"
}, {
    "metadata": {
        "modeling_role": "prediction-probability"
    },
    "name": "prediction_probability",
    "nullable": true,
    "type": "double"
}, {
    "metadata": {
        "modeling_role": "prediction"
    },
    "name": "scoring_prediction",
    "nullable": true,
    "type": "integer"
}

Modelos de autoAI y datos de entrenamiento

AutoAI prepara automáticamente datos, aplica algoritmos o estimadores y crea interconexiones de modelo que se adaptan mejor a sus datos y caso de uso. Watson OpenScale requiere acceso a los datos de entrenamiento para analizar el modelo.

Debido a que Watson OpenScale no puede detectar la ubicación de los datos de entrenamiento para un modelo de AutoAI como puede hacerlo para un modelo normal, debe proporcionar de forma explícita los detalles necesarios para acceder a la ubicación de los datos de entrenamiento:

• Para la vía de acceso en línea, donde se configuran manualmente los supervisores, debe proporcionar los detalles de ubicación de base de datos desde los que se puede acceder a los datos de entrenamiento.
• Para la vía de acceso de cuaderno personalizada, donde se carga la distribución de datos de entrenamiento, puede utilizar el archivo JSON que se produce ejecutando el cuaderno.

Para obtener más información, consulte Proporcionar más detalles y Datos numéricos/categóricos.

Especificación de una instancia de servicio de IBM Watson Machine Learning

Su primer paso en la herramienta Watson OpenScale es especificar una instancia de IBM Watson Machine Learning. La instancia de Machine Learning es dónde se almacenan los despliegues y los modelos de IA.

Requisitos previos

Debería haber suministrado una instancia de IBM Watson Machine Learning en la misma cuenta o clúster en la que está presente la instancia de servicio de Watson OpenScale. Si ha suministrado una instancia de IBM Watson Machine Learning en alguna otra cuenta o clúster, no puede configurar dicha instancia con el registro de carga útil automático con Watson OpenScale.

Conectar la instancia de servicio de Machine Learning

Watson OpenScale se conecta a despliegues y modelos de IA en una instancia de IBM Watson Machine Learning. Para conectar el servicio a Watson OpenScale, vaya al separador Configurar , añada un proveedor de aprendizaje automático y pulse el icono Editar . Además de un nombre y una descripción y de si se trata de un tipo de entorno Preproducción o Producción, debe proporcionar la siguiente información específica a este tipo de instancia de servicio:

• Si tiene una instancia de IBM Watson Machine Learning, Watson OpenScale lo detecta, junto con la información de configuración.

• Para conectarse a IBM Watson Machine Learning en una instancia de IBM Cloud Pak for Data independiente, proporcione un URL, un nombre de usuario y una clave de API.

• Para conectarse a IBM Watson Machine Learning en IBM Cloud, proporcione una región de nube y una clave de API.

IBM Cloud Pak for Data solo permite una clave de API. Cuando genera una nueva clave de API, la clave de API anterior se revoca automáticamente. Si actualiza la clave de API en IBM Cloud Pak for Data, también debe actualizar la clave de API en Watson OpenScale.

Limitaciones

Las limitaciones siguientes se aplican cuando se conecta a IBM Watson Machine Learning en una instancia de IBM Cloud Pak for Data independiente:

• La clave de API debe tener acceso de administrador al espacio de despliegue en IBM Watson Machine Learning.
• El registro de carga útil automático no está disponible. Envíe el registro de carga útil utilizando la API del conjunto de datos Watson OpenScale .

Las limitaciones siguientes se aplican cuando se conecta a IBM Watson Machine Learning en IBM Cloud:

• La clave de API debe tener acceso de administrador al espacio de despliegue en IBM Watson Machine Learning.
• El registro de carga útil automático no está disponible. Envíe el registro de carga útil utilizando la API del conjunto de datos Watson OpenScale .
• Durante la evaluación, aumenta la carga en los modelos de IBM Watson Machine Learning en IBM Cloud .

Próximos pasos

Ahora está preparado para seleccionar los modelos desplegados y configurar los supervisores. Watson OpenScale lista los modelos desplegados en el panel de control de Detalles donde puede pulsar el botón Añadir al panel de control. Seleccione los despliegues que desea supervisar y pulse Configurar.

Para obtener más información, consulte Configurar supervisores.

Tema principal: Motores, infraestructuras y modelos de aprendizaje automático soportados