Gerenciando o ciclo de vida de IA com o ModelOps

Use as ferramentas ModelOps para gerenciar seus ativos de IA do desenvolvimento à produção.

ModelOps explicado

MLOps sincroniza as cadências entre os pipelines de aplicativo e modelo. Ele se baseia nestas práticas:

DevOps para trazer um modelo de aprendizado de máquina da criação ao treinamento, à implementação e à produção.
ModelOps para gerenciar o ciclo de vida de um modelo de aprendizado de máquina tradicional, incluindo avaliação e novo treinamento.

O MLOps inclui não apenas a implementação de rotina de modelos de aprendizado de máquina, mas também o treinamento contínuo, a atualização automatizada e o desenvolvimento sincronizado e a implementação de modelos de aprendizado de máquina mais complexos. Explore esses recursos para obter mais detalhes sobre como desenvolver uma estratégia de MLOps:

O caso de uso de ciência de dados e MLOps descreve como gerenciar dados, criar e implantar modelos e avaliar a imparcialidade e o desempenho do modelo.
O caso de uso de governança de IA fornece o contexto de como ModelOps pode ser combinado com a governança de IA para fornecer um plano abrangente de rastreamento de ativos de aprendizado de máquina em sua organização.

Ferramentas ModelOps

Dependendo da plataforma que estiver usando e dos serviços que tiver habilitado, você pode projetar seu processo ModelOps usando uma combinação de ferramentas para ajudá-lo a gerenciar ativos:

Pipelines para automatizar o fluxo de fim-a-fim de um modelo de aprendizado de máquina através do ciclo de vida AI.
Controle de IA para criar um repositório centralizado de planilhas que rastreiam o ciclo de vida de um modelo, incluindo solicitação, construção, implementação e avaliação de ativos aAI
A ferramenta de interface da linha de comandos cpdctl para gerenciar e automatizar seus ativos de aprendizado de máquina hospedados no Cloud Pak for Data as a Service usando a ferramenta de interface da linha de comandos cpdctl. Use a configuração automática do IBM Cloud para se conectar facilmente aos comandos da API cpdctl.

Gerenciando o acesso com espaços de implementação

Use os espaços de implementação para organizar e gerenciar o acesso a ativos conforme eles se movem pelo ciclo de vida de IA. Por exemplo, é possível gerenciar o acesso com espaços de implementação das seguintes maneiras:

Crie um espaço de implementação e designe-o a Desenvolvimento como o estágio de implementação Se você estiver controlando ativos, implementações nesse tipo de espaço serão exibidas no estágio Desenvolver de um caso de uso. Designe acesso aos cientistas de dados para criar os ativos ou usuários do DevOps para criar implementações.
Crie um espaço de implementação e designe-o a Testando como o estágio de implementação Se você estiver controlando ativos, implementações nesse tipo de espaço serão exibidas no estágio Validar de um caso de uso. Designe acesso aos validadores de modelo para testar as implementações.
Crie um espaço de implementação e designe-o a Produção como o estágio de implementação Se você estiver controlando ativos, implementações nesse tipo de espaço serão exibidas no estágio Operar de um caso de uso. Limite o acesso a esse espaço para usuários do ModelOps que gerenciam os ativos implementados em um ambiente de produção.

Automatizando ModelOps usando Pipelines

O editor do IBM Orchestration Pipelines oferece uma interface gráfica para orquestrar um fluxo completo de ativos, desde a criação até a implantação. Montar e configurar um pipeline para criar, treinar, implementar e atualizar modelos de aprendizado de máquina e scripts Python. Simplifique e torne repetível o seu processo de ModelOps.

Modelos de rastreamento com AI Factsheets

AI Factsheets fornece os recursos para você controlar modelos de ciência de dados na organização e armazenar os detalhes em um catálogo. Veja rapidamente quais modelos estão em produção e quais precisam de desenvolvimento ou validação. Use os recursos de controle para estabelecer processos para gerenciar o fluxo de comunicação de cientistas de dados para administradores do ModelOps ..

Nota: Um inventário de modelos rastreia apenas os modelos que você rastreia explicitamente associando-os a casos de uso do modelo. É possível controlar quais modelos rastrear para uma organização sem rastreamento de amostras e outros modelos que não são significativos para a organização.

Avaliando implementações de modelo.

Use Watson OpenScale para analisar sua IA com confiança e transparência e entender como seus modelos de IA estão envolvidos na tomada de decisão. Detecte e mitigue o viés e o desvio. Aumente a qualidade e a precisão de suas predições. Explique as transações e execute a análise hipotética.

Automatização do gerenciamento de ativos e do ciclo de vida

Você pode automatizar o ciclo de vida da IA em um notebook usando o clientePython de tempo de execução watsonx.ai.

Este exemplo de notebook demonstra como fazer isso:

Fazer download de um modelo scikit-learn treinado externamente com conjunto de dados
Persistir um modelo externo no repositório de tempo de execução watsonx.ai
Implementar um modelo para pontuação on-line usando a biblioteca do cliente
Pontuar registros de amostra usando a biblioteca do cliente
Atualizar um modelo persistido anteriormente
Reimplementar um modelo no local
Escalar uma implementação

Nota:

Você pode acessar o hub de recursos selecionando Hub de recursos no menu de navegação principal.

Importante:

Se sua conta estiver na região de Dallas- IBM Cloud, você pode clicar no link. Caso contrário, procure o nome do modelo no Centro de Recursos. Essa amostra pode não estar disponível em todas as regiões ou plataformas de nuvem.

Como alternativa, você pode usar o IBM Cloud Pak for Data Command-Line Interface (cpd-cli) para gerenciar as definições de configuração e automatizar um fluxo de ponta a ponta. Esse fluxo de ponta a ponta inclui treinar um modelo, salvá-lo, criar um espaço de implementação e implementar o modelo.

Cenário típico do ModelOps

Um cenário ModelOps típico no Cloud Pak for Data pode ser:

Organizar e organizar ativos de dados
Treine um modelo usando AutoAI
Salvar e implementar o modelo
Rastreie o modelo em um caso de uso para que todos os colaboradores possam rastrear o progresso do modelo por meio do ciclo de vida e assegurar que ele esteja em conformidade com os padrões organizacionais.
Avaliar a implementação para propensão
Atualizar a implementação com um modelo de melhor desempenho
Monitorar implementações e tarefas em toda a organização