Crear el panel de IA responsable

  • 9 minutos

Para ayudarle a implementar los principios de inteligencia artificial responsable (IA responsable) en Azure Machine Learning, puede crear el panel de IA responsable.

El panel de IA responsable le permite elegir la información que necesita para evaluar si su modelo es seguro, confiable y ético.

Azure Machine Learning tiene componentes integrados que pueden generar información de IA responsable para usted. A continuación, los datos se recopilan en un panel interactivo que puede explorar. También puede generar un cuadro de mandos como PDF para compartir fácilmente la información con sus compañeros para evaluar los modelos.

Creación de un panel de IA responsable

Para crear un panel de IA responsable (RAI), es necesario crear una canalización utilizando los componentes integrado. La canalización debe:

  1. Comience con el RAI Insights dashboard constructor.
  2. Incluir uno de los componentes de la herramienta RAI.
  3. Termine con Gather RAI Insights dashboard para recopilar todos los datos en un panel.
  4. Opcionalmente, también puede agregar el Gather RAI Insights score card al final de su canalización.

Explore los componentes de la IA responsable

Los componentes de la herramienta disponibles y la información que puede usar son:

  • Add Explanation to RAI Insights dashboard: interpretar modelos generando explicaciones. Las explicaciones muestran cuántas características influyen en la predicción.
  • Add Causal to RAI Insights dashboard: use datos históricos para ver los efectos causales de las características en los resultados.
  • Add Counterfactuals to RAI Insights dashboard: explore cómo un cambio en la entrada cambiaría la salida del modelo.
  • Add Error Analysis to RAI Insights dashboard: explore la distribución de sus datos e identifique subgrupos de datos erróneos.

Compile y ejecute la canalización para crear el panel de IA responsable.

Para crear el panel de IA responsable, se compila una canalización con los componentes seleccionados. Al ejecutar la canalización, se genera un panel responsable (y un cuadro de mandos) y se asocia con el modelo.

Después de entrenar y registrar un modelo en el área de trabajo de Azure Machine Learning, puede crear el panel de IA responsable de tres maneras:

  • Uso de la extensión interfaz de línea de comandos (CLI) para Azure Machine Learning.
  • Uso del kit de desarrollo de software (SDK) de Python.
  • Uso del estudio Azure Machine Learning para una experiencia sin código.

Uso del SDK de Python para compilar y ejecutar la canalización

Para generar un panel de IA responsable, es necesario:

  • Registre los conjuntos de datos de entrenamiento y prueba como recursos de datos de MLtable.
  • Registre el modelo.
  • Recupere los componentes integrados que desee utilizar.
  • Compilar la canalización.
  • Ejecución de la canalización

Si desea compilar la canalización utilizando el SDK de Python, primero tiene que recuperar los componentes que desea utilizar.

Debe iniciar la canalización con el componente RAI Insights dashboard constructor:

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

A continuación, puede agregar cualquiera de las informaciones disponibles, como las explicaciones, recuperando el Add Explanation to RAI Insights dashboard component:

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

Nota:

Los parámetros y las entradas previstas varían según los componentes. Explore el componente de la información específica que desea agregar a su panel para encontrar las entradas que debe especificar.

Y, por último, la canalización debe terminar con un componente Gather RAI Insights dashboard:

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

Una vez que tenga los componentes, puede compilar la canalización:

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,
    }

Explorar el panel de IA responsable

Después de compilar la canalización, debe ejecutarla para generar el panel de IA responsable. Cuando la canalización se haya completado correctamente, puede seleccionar ver el panel de IA responsable desde la vista general de la canalización.

Screenshot of completed pipeline to create Responsible AI dashboard.

Alternativamente, puede encontrar el panel de IA responsable en la pestaña de IA responsable del modelo registrado.

Screenshot of the Responsible AI tab of the registered model in the Azure Machine Learning studio.