Vytvoření řídicího panelu zodpovědné umělé inteligence

Dokončeno

K implementaci principů zodpovědné umělé inteligence (zodpovědné umělé inteligence) ve službě Azure Machine Učení můžete vytvořit řídicí panel zodpovědné umělé inteligence.

Řídicí panel Zodpovědné umělé inteligence umožňuje vybrat a zvolit potřebné přehledy, abyste mohli vyhodnotit, jestli je váš model bezpečný, důvěryhodný a etický.

Azure Machine Učení má integrované komponenty, které vám můžou generovat přehledy zodpovědné umělé inteligence. Přehledy se pak shromáždí na interaktivním řídicím panelu, abyste je mohli prozkoumat. Přehled výkonnostních metrik můžete také vygenerovat ve formátu PDF, abyste mohli snadno sdílet přehledy s kolegy a vyhodnotit modely.

Vytvoření řídícího panelu odpovědné AI

Pokud chcete vytvořit řídicí panel zodpovědné umělé inteligence (RAI), musíte vytvořit kanál pomocí předdefinovaných komponent. Kanál by měl:

1. Začněte s .RAI Insights dashboard constructor
2. Zahrňte jednu ze součástí nástroje RAI.
3. Nakonec shromážděte Gather RAI Insights dashboard všechny přehledy o jednom řídicím panelu.
4. Volitelně můžete přidat Gather RAI Insights score card také na konec kanálu.

Prozkoumání komponent zodpovědné umělé inteligence

Dostupné součásti nástrojů a přehledy, které můžete použít, jsou:

• Add Explanation to RAI Insights dashboard: Interpretujte modely generováním vysvětlení. Vysvětlení ukazují, kolik funkcí ovlivňuje predikci.
• Add Causal to RAI Insights dashboard: Pomocí historických dat můžete zobrazit kauzální účinky funkcí na výsledky.
• Add Counterfactuals to RAI Insights dashboard: Prozkoumejte, jak by změna vstupu změnila výstup modelu.
• Add Error Analysis to RAI Insights dashboard: Prozkoumejte distribuci dat a identifikujte chybné podskupiny dat.

Vytvoření a spuštění kanálu pro vytvoření řídicího panelu zodpovědné umělé inteligence

Pokud chcete vytvořit řídicí panel Zodpovědné AI, sestavíte kanál s vybranými komponentami. Při spuštění kanálu se vygeneruje a přidružuje k vašemu modelu zodpovědný řídicí panel (a přehled výkonnostních metrik).

Po vytrénování a registraci modelu v pracovním prostoru Azure Machine Učení můžete řídicí panel Zodpovědné umělé inteligence vytvořit třemi způsoby:

• Použití rozšíření rozhraní příkazového řádku (CLI) pro azure machine Učení
• Použití sady Python Software Development Kit (SDK).
• Použití studio Azure Machine Learning pro prostředí bez kódu

Sestavení a spuštění kanálu pomocí sady Python SDK

Pokud chcete vygenerovat řídicí panel zodpovědné umělé inteligence, musíte:

• Zaregistrujte trénovací a testovací datové sady jako datové prostředky MLtable.
• Zaregistrujte model.
• Načtěte předdefinované komponenty, které chcete použít.
• Sestavte kanál.
• Spusťte kanál.

Pokud chcete vytvořit kanál pomocí sady Python SDK, musíte nejprve načíst komponenty, které chcete použít.

Kanál byste měli spustit s komponentou RAI Insights dashboard constructor :

rai_constructor_component = ml_client_registry.components.get(
    name="microsoft_azureml_rai_tabular_insight_constructor", label="latest"
)

Potom můžete přidat libovolný z dostupných přehledů, jako jsou vysvětlení, načtením Add Explanation to RAI Insights dashboard componentnásledujícího:

rai_explanation_component = ml_client_registry.components.get(
    name="microsoft_azureml_rai_tabular_explanation", label="latest"
)

Poznámka:

Parametry a očekávané vstupy se liší mezi komponentami. Prozkoumejte komponentu pro konkrétní přehledy , které chcete přidat na řídicí panel, a zjistěte, které vstupy je potřeba zadat.

A nakonec by váš kanál měl končit komponentou Gather RAI Insights dashboard :

rai_gather_component = ml_client_registry.components.get(
    name="microsoft_azureml_rai_tabular_insight_gather", label="latest"
)

Jakmile budete mít komponenty, můžete kanál sestavit:

from azure.ai.ml import Input, dsl
from azure.ai.ml.constants import AssetTypes

@dsl.pipeline(
    compute="aml-cluster",
    experiment_name="Create RAI Dashboard",
)
def rai_decision_pipeline(
    target_column_name, train_data, test_data
):
    # Initiate the RAIInsights
    create_rai_job = rai_constructor_component(
        title="RAI dashboard diabetes",
        task_type="classification",
        model_info=expected_model_id,
        model_input=Input(type=AssetTypes.MLFLOW_MODEL, path=azureml_model_id),
        train_dataset=train_data,
        test_dataset=test_data,
        target_column_name="Predictions",
    )
    create_rai_job.set_limits(timeout=30)

    # Add explanations
    explanation_job = rai_explanation_component(
        rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard,
        comment="add explanation", 
    )
    explanation_job.set_limits(timeout=10)

    # Combine everything
    rai_gather_job = rai_gather_component(
        constructor=create_rai_job.outputs.rai_insights_dashboard,
        insight=explanation_job.outputs.explanation,
    )
    rai_gather_job.set_limits(timeout=10)

    rai_gather_job.outputs.dashboard.mode = "upload"

    return {
        "dashboard": rai_gather_job.outputs.dashboard,
    }

Prozkoumání řídicího panelu Zodpovědné umělé inteligence

Po vytvoření kanálu ho musíte spustit, aby se vygeneroval řídicí panel zodpovědné umělé inteligence. Po úspěšném dokončení kanálu můžete z přehledu kanálu zobrazit řídicí panel Zodpovědné AI.

Případně můžete řídicí panel Zodpovědné AI najít na kartě Zodpovědná AI registrovaného modelu.