使用IBM monitor-wml-model-with-watson-openscale项目指南

使用IBM monitor-wml-model-with-watson-openscale项目指南

monitor-wml-model-with-watson-openscaleMonitor performance, fairness, and quality of a WML model with AI OpenScale APIs项目地址:https://gitcode.com/gh_mirrors/mo/monitor-wml-model-with-watson-openscale

1. 项目目录结构及介绍

该项目的目录结构如下：

monitor-wml-model-with-watson-openscale/
├── notebooks/with-outputs/     # 包含带有输出结果的Jupyter notebook
│   └── WatsonOpenScaleMachineLearning-with-outputs.ipynb  # 主要的交互式示例脚本
├── requirements.txt             # 必要的Python依赖包列表
└── README.md                     # 项目概述和说明

notebooks/with-outputs/ 文件夹包含了使用IBM Watson OpenScale监控Watson Machine Learning (WML)模型性能的Jupyter notebook。WatsonOpenScaleMachineLearning-with-outputs.ipynb是主要的代码示例，演示了如何设置和配置OpenScale以进行监控。

2. 项目启动文件介绍

尽管项目中没有明确的“启动”文件，但WatsonOpenScaleMachineLearning-with-outputs.ipynb可以视为整个流程的入口点。这是一个Jupyter notebook，使用者可以通过运行其中的各个代码单元格来完成从设置环境、创建数据集市到配置监控的各项操作。

在运行此笔记本之前，确保已安装了所有必要的Python库（可通过运行pip install -r requirements.txt安装），并且已经配置好了IBM Cloud服务，包括Watson Machine Learning 和 Watson OpenScale实例。

3. 项目的配置文件介绍

项目本身没有单独的配置文件，但是配置工作是在Jupyter notebook WatsonOpenScaleMachineLearning-with-outputs.ipynb内完成的。这些配置涉及以下步骤：

1. 连接IBM云：设置IBM Cloud API密钥和区域，以便连接到Watson Machine Learning服务。
2. 创建数据集市：在Watson OpenScale内部创建数据集市，用于存储模型监控的数据。
3. 绑定模型：将Watson Machine Learning中的模型绑定到Watson OpenScale，以便进行监控。
4. 订阅资产：订阅要监控的模型，启用性能、公平性和漂移监测。
5. 配置日志记录和性能监控：开启payload日志记录，实时跟踪模型性能。
6. 配置公平性监控：定义公平性指标，评估模型的公平性表现。
7. 配置漂移监控：检测输入数据的分布变化，确保模型持续有效。

以上就是关于IBM monitor-wml-model-with-watson-openscale项目的基本介绍和关键部分。通过遵循这个教程，你可以了解如何利用IBM Watson OpenScale来增强你的机器学习模型的监控和治理。

monitor-wml-model-with-watson-openscaleMonitor performance, fairness, and quality of a WML model with AI OpenScale APIs项目地址:https://gitcode.com/gh_mirrors/mo/monitor-wml-model-with-watson-openscale