IBM Watson Machine Learning

您可以在 IBM Watson OpenScale 中使用 IBM Watson Machine Learning 來執行有效負載記載、回饋記載以及測量效能精確度、執行時期偏誤偵測、漂移偵測、可說明性以及自動去偏誤功能。

IBM Watson OpenScale 全面支援下列 IBM Watson Machine Learning 架構：

表 1. 架構支援詳細資料

架構支援詳細資料
架構	問題類型	資料類型
AutoAI¹	分類（二進位和多類別）	結構化（資料、文字）
AutoAI	迴歸	結構化或非結構化²（僅文字）
Apache Spark MLlib	分類	結構化或非結構化²（僅文字）
Apache Spark MLLib	迴歸	結構化或非結構化²（僅文字）
Keras 搭配 TensorFlow³^&⁴	分類	非結構化²（影像、文字）
Keras 搭配 TensorFlow³^&⁴	迴歸	非結構化²（影像、文字）
Python 功能	分類	結構化（資料、文字）
Python 功能	迴歸	結構化（資料、文字）
scikit-learn⁵	分類	結構化（資料、文字）
scikit-learn	迴歸	結構化（資料、文字）
XGBoost⁶	分類	結構化（資料、文字）
XGBoost	迴歸	結構化（資料、文字）

¹如果想進一步瞭解 AutoAI，請參閱 AutoAI 實作詳細資料。如果模型的訓練資料位於 Cloud Object Storage 中，則不支援布林類型的公平性屬性。不過，如果訓練資料是在 Db2 中，則 Watson OpenScale 支援布林類型的公平性屬性。使用 AutoAI 選項時，當模型預測是二進位資料類型時， Watson OpenScale 不支援模型。必須變更此類模型，使其預測的資料類型是字串資料類型。

²對於非結構化（影像或文字）資料類型，不支援公平性和漂移度量值。

³Keras 支援不包括公平性支援。

⁴如果模型/架構輸出預測概率，則支援可說明性。

⁵如果要產生漂移偵測模型，您必須在記事本中使用 scikit-learn 0.24.1 版。

⁶對於 XGBoost 二進位和多類別模型，您必須更新模型，以便在傳回預測機率時，若為二進位模型則採用數值形式，若為多類別模型則採用機率清單（依類別）形式。對 XGBoost 架構的支援對於分類問題具有下列限制：對於二進位分類，Watson OpenScale 支援 binary:logistic 邏輯迴歸函數，輸出為 True 的概率。對於多類別分類，Watson OpenScale 支援 multi:softprob 函數，其中結果包含屬於每個類別的每個資料點的預測概率。

原生 XGBoost 模型的 XGBoost 訂閱限制

使用最新版本 WML ， xgboost_0.82 架構已淘汰。支援的架構是 xgboost_0.90，它必須與 Python 3.7 組合使用。若要啟用並持續保存 XGBoost 0.90 版和 Python 3.7，必須執行下列指令來修補訂閱：

PATCH /v2/subscriptions/<subscription_id>

例如，下列指令提供完整 URL 和訂閱 ID：

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

傳回預期的有效負載：

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

順利修補訂閱並執行評分之後，輸出資料綱目將會已設定合適的建模角色：

{
    "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"
}

AutoAI 模型和訓練資料

AutoAI 會自動準備資料、套用演算法或預估器，並建置最適合您資料及使用案例的模型管線。 Watson OpenScale 需要存取訓練資料來分析模型。

因為 Watson OpenScale 無法像針對一般模型那樣為 AutoAI 模型偵測訓練資料位置，您必須明確提供存取訓練資料位置所需的詳細資料：

若為線上路徑（您在其中手動配置監視器），您必須提供可從中存取訓練資料的資料庫詳細資料。
對於自訂 Notebook 路徑（這種情況下您是上傳訓練資料配送），您可以使用執行 Notebook 產生的 JSON 檔案。

如需相關資訊，請參閱提供模型明細和數值/種類資料。

指定 IBM Watson Machine Learning 服務實例

Watson OpenScale 工具中的第一個步驟是指定 IBM Watson Machine Learning 實例。 Machine Learning 實例是儲存 AI 模型和部署的位置。

必備項目

您應該已在 Watson OpenScale 服務實例所在的同一帳戶或叢集中佈建了 IBM Watson Machine Learning 實例。如果您已在某個其他帳戶或叢集中佈建 IBM Watson Machine Learning 實例，則無法使用 Watson OpenScale來配置該實例的自動有效負載記載。

連線 Machine Learning 服務實例

Watson OpenScale 連線至 IBM Watson Machine Learning 實例中的 AI 模型和部署。若要將服務連接至 Watson OpenScale，請跳至配置配置標籤圖示標籤，新增機器學習提供者，然後按一下編輯圖示。除了要指定名稱、說明以及這是前置生產還是正式作業環境類型之外，還必須提供特定於此類型服務實例的下列資訊：

如果您具有 IBM Watson Machine Learning 的實例，則 Watson OpenScale 可以偵測到它以及配置資訊。
若要連接至個別 IBM Cloud Pak for Data 實例上的 IBM Watson Machine Learning ，請提供 URL、使用者名稱及 API 金鑰。
若要連接至 IBM Cloud上的 IBM Watson Machine Learning ，請提供雲端區域及 API 金鑰。

IBM Cloud Pak for Data 只容許一個 API 金鑰。當您產生新的 API 金鑰時，會自動撤銷先前的 API 金鑰。如果您在 IBM Cloud Pak for Data中更新 API 金鑰，則還必須在 Watson OpenScale中更新 API 金鑰。

限制

當您連接至個別 IBM Cloud Pak for Data 實例上的 IBM Watson Machine Learning 時，下列限制適用:

API 金鑰必須具有 IBM Watson Machine Learning中部署空間的管理者存取權。
無法使用自動有效負載記載。使用 Watson OpenScale 資料集 API 來傳送有效負載記載。

當您連接至 IBM Cloud上的 IBM Watson Machine Learning 時，下列限制適用:

API 金鑰必須具有 IBM Watson Machine Learning中部署空間的管理者存取權。
無法使用自動有效負載記載。使用 Watson OpenScale 資料集 API 來傳送有效負載記載。
在評估期間， IBM Cloud 中 IBM Watson Machine Learning 模型的負載會增加。

後續步驟

現在，您已備妥，可以選取已部署的模型並配置監視器了。 Watson OpenScale 會在見解儀表板中列出已部署的模型，您可以在其中按一下新增至儀表板按鈕。選取您要監視的部署，然後按一下配置。

如需相關資訊，請參閱配置監視器。

上層主題: 支援的機器學習引擎、架構及模型