Créer le tableau de bord IA responsable

Effectué

Pour vous aider à implémenter les principes de l’intelligence artificielle responsable (IA responsable) dans Azure Machine Learning, vous pouvez créer le tableau de bord IA responsable.

Le tableau de bord IA responsable vous permet de prendre et de choisir les insights dont vous avez besoin pour évaluer si votre modèle est sûr, fiable et éthique.

Azure Machine Learning dispose de composants intégrés qui peuvent générer des insights d’IA responsable pour vous. Les insights sont ensuite collectés dans un tableau de bord interactif que vous pouvez explorer. Vous pouvez également générer une carte de performance au format PDF pour partager facilement les insights avec vos collègues afin d’évaluer vos modèles.

Créer un tableau de bord d’IA responsable

Pour créer un tableau de bord IA responsable (RAI), vous devez créer un pipeline à l’aide des composants intégrés. Le pipeline doit :

1. Commencer par RAI Insights dashboard constructor.
2. Inclure l’un des composants de l’outil RAI.
3. Finir par Gather RAI Insights dashboard pour collecter tous les insights dans un seul tableau de bord.
4. Si vous le souhaitez, vous pouvez également ajouter Gather RAI Insights score card à la fin de votre pipeline.

Explorer les composants d’IA responsable

Les composants de l’outil et les insights disponibles que vous pouvez utiliser sont les suivants :

• Add Explanation to RAI Insights dashboard : interpréter les modèles en générant des explications. Les explications montrent dans quelle mesure les caractéristiques influencent la prédiction.
• Add Causal to RAI Insights dashboard : utiliser les données historiques afin de voir les effets de causalité des caractéristiques sur les résultats.
• Add Counterfactuals to RAI Insights dashboard : explorer dans quelle mesure un changement dans une entrée modifierait la sortie du modèle.
• Add Error Analysis to RAI Insights dashboard : explorer la répartition de vos données et identifier les sous-groupes de données erronés.

Créer et exécuter le pipeline pour créer le tableau de bord IA responsable

Pour créer le tableau de bord IA responsable, vous créez un pipeline avec les composants que vous avez sélectionnés. Lorsque vous exécutez le pipeline, un tableau de bord IA responsable (et une carte de performance) est généré et associé à votre modèle.

Une fois que vous avez entraîné et inscrit un modèle dans l’espace de travail Azure Machine Learning, vous pouvez créer le tableau de bord IA responsable de trois manières :

• Utilisation de l’extension de l’interface de ligne de commande (CLI) pour Azure Machine Learning.
• Utilisation du Kit de développement logiciel (SDK) Python.
• Utilisation d’Azure Machine Learning studio pour une expérience sans code.

Utilisation du SDK Python pour générer et exécuter le pipeline.

Pour générer un tableau de bord IA responsable, vous devez :

• Inscrire les jeux de données d’entraînement et de test en tant que ressources de données MLtable.
• Inscrire le modèle.
• Récupérer les composants intégrés que vous souhaitez utiliser.
• Créer le pipeline.
• Exécutez le pipeline.

Si vous voulez créer le pipeline à l’aide du SDK Python, vous devez d’abord récupérer les composants que vous souhaitez utiliser.

Vous devez démarrer le pipeline avec le composant RAI Insights dashboard constructor :

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

Ensuite, vous pouvez ajouter n’importe quel insight disponible, comme les explications, en récupérant Add Explanation to RAI Insights dashboard component :

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

Remarque

Les paramètres et les entrées attendues varient d’un composant à l’autre. Explorez le composant pour les insights spécifiques que vous souhaitez ajouter à votre tableau de bord afin de trouver les entrées que vous devez spécifier.

Enfin, votre pipeline doit se terminer par un composant Gather RAI Insights dashboard :

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

Une fois que vous avez les composants, vous pouvez générer le pipeline :

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,
    }

Exploration du tableau de bord IA responsable

Après avoir créé le pipeline, vous devez l’exécuter pour générer le tableau de bord IA responsable. Une fois le pipeline terminé, vous pouvez sélectionner Afficher pour voir le tableau de bord IA responsable dans la vue d’ensemble du pipeline.

Vous pouvez également trouver le tableau de bord IA responsable sous l’onglet IA responsable du modèle inscrit.