Python für Modellbewertungen

Prüfen und verwenden Sie Jupyter-Beispiel-Notebooks, die die Python für Modellevaluierungen verwenden, um Funktionen und Aufgaben zu demonstrieren.

Wenn Sie ein Beispiel-Notizbuch verwenden, um Funktionen und Aufgaben mit dem Python zu demonstrieren, müssen Sie mit der Codierung in einem Jupyter Notebook vertraut sein. Ein Jupyter-Notebook ist eine webbasierte Umgebung für Datenverarbeitung im Dialogbetrieb. Sie können kleine Codestücke ausführen, die Ihre Daten verarbeiten, und dann sofort die Ergebnisse Ihrer Berechnungen anzeigen. Mit Jupyter-Beispiel-Notebooks können Sie Tutorien durchführen, um Aufgaben wie das Erstellen, Trainieren und Bereitstellen von Modellen und das Konfigurieren von Modellauswertungen zu demonstrieren.

Beispielnotebooks

Zeigen Sie die folgenden Jupyter-Notebooks an oder führen Sie sie aus, um zu erfahren, wie verschiedene Tasks ausgeführt werden:

Name der Probe Veranschaulichte Tasks
Mit Watson Machine Learning Trainieren, erstellen und implementieren Sie ein deutsches Kreditrisikomodell, konfigurieren Sie Modellauswertungen, um diese Implementierung zu überwachen, und injizieren Sie historische Datensätze und Messungen aus sieben Tagen zur Anzeige im Insights-Dashboard.
Mit SPSS Collaboration and Deployment Services arbeiten Protokollnutzdaten für ein Modell, das in einer angepassten Modell-Serving-Engine bereitgestellt wird
Batch-Verarbeitung: Apache Spark auf Cloud Pak for Data mit IBM Analytics Engine Aktivieren Sie die Qualitäts- und Driftüberwachung und führen Sie On-Demand-Auswertungen mit IBM Analytics Engine durch
Stapelverarbeitung: Remote Spark Aktivieren Sie die Qualitäts-und Driftüberwachung und führen Sie bedarfsgesteuerte Auswertungen mit Remote Spark aus.
OpenScale Model Risk Governance mit OpenPages Integration auf IBM Cloud Pak for Data Integrieren Sie Ihre Modellauswertungen in IBM OpenPages und bauen Sie eine durchgängige Risikomanagementlösung auf.
OpenScale Model Risk Management auf IBM Cloud Pak for Data Einrichtung einer Modelllösung für das Risikomanagement.
Indirekte Verzerrung und aktives Debiasing auf IBM Cloud Pak for Data Konfigurieren Sie Fairnessbewertungen, um indirekte Verzerrungen zu bestimmen.
Metriken für die Umkehrung der Robustheit für Bildmodelle Mit dem Adversarial Robustness Toolkit (ART) können Sie die Robustheit von Bildmodellen bewerten.
Auswertung von Eingabeaufforderungsvorlagen für RAG-Aufgaben mit watsonx.governance Erstellen Sie ein Eingabeaufforderungsvorlagenasset für die RAG-Task und konfigurieren Sie Bewertungen in watsonx.governance -Projekten und -Bereichen.
Entwurfszeit-Notizbuch für die mehrsprachige Unterstützung von generativen KI-Qualitätsmetriken für IBM WatsonX.governance Demonstration der Ergebnisse der generativen KI-Qualitätsprompt-Vorlagenbewertung auf Japanisch.
Berechnung von Abfrage- und Antwortqualitätsmetriken mit LLM als Richter in IBM watsonx.governance für die RAG-Aufgabe Berechnung von RAG- und Antwortqualitätsmetriken zur Erstellung von Antworten für RAG-Aufgaben.

Weitere Schritte