Integração de mecanismos de ML de terceiros

Mecanismos externos de serviços de aprendizado de máquina, como Microsoft Azure ML Studio, Microsoft Azure ML Service e Amazon SageMaker, podem ser integrados para avaliações de modelos.

Você pode usar os seguintes métodos para integrar mecanismos de terceiros:

• Nível de ligação do mecanismo

  Capacidade de listar implementações e obter detalhes da implementação.

• Nível de assinatura da implementação

  Você deve marcar a implementação assinada no formato adequado, como o formato IBM watsonx.ai Runtime, e receber a saída no mesmo formato compatível. Você deve configurar suas avaliações de modelo para processar os formatos de entrada e saída.

• Criação de log de carga útil

  Cada entrada e saída para o modelo implementado acionado por um aplicativo do usuário devem ser armazenadas em um armazenamento de carga útil. O formato dos registros de carga útil segue a mesma especificação, conforme mencionado na seção precedente nos níveis de assinatura de implementação.

  Esses registros são usados durante as avaliações do modelo para calcular a tendência, as explicações e outros. Não é possível armazenar automaticamente as transações que são executadas no site do usuário. Esse método é uma das maneiras pelas quais as informações proprietárias são protegidas durante as avaliações de modelos. Use a API Rest ou o Python SDK para trabalhar com dados seguros.