Criar o painel da IA Responsável

Concluído

Para ajudar você a implementar os princípios de Inteligência Artificial Responsável (IA Responsável) no Azure Machine Learning, você pode criar o painel Inteligência Artificial Responsável.

O painel da Responsible AI permite que você escolha os insights de que precisa para avaliar se o modelo é seguro, confiável e ético.

O Azure Machine Learning tem componentes internos que podem gerar insights da IA Responsável para você. Os insights são então reunidos em um painel interativo para que você os explore. Também é possível gerar um scorecard em PDF para compartilhar facilmente os insights com seus colegas e avaliar seus modelos.

Criar um painel de IA Responsável

Para criar um painel de IA responsável (RAI), você precisa criar um pipeline utilizando os componentes internos. O pipeline deve:

1. Comece com o RAI Insights dashboard constructor.
2. Inclua um dos componentes da ferramenta RAI.
3. Termine com Gather RAI Insights dashboard para coletar todos os insights em um único painel.
4. Opcionalmente, você também pode adicionar o Gather RAI Insights score card no final do seu pipeline.

Explorar os componentes da IA Responsável

Os componentes da ferramenta disponíveis e os insights que você pode utilizar são:

• Add Explanation to RAI Insights dashboard: interpreta modelos gerando explicações. As explicações mostram o quanto os recursos influenciam a previsão.
• Add Causal to RAI Insights dashboard: usa dados históricos para exibir os efeitos causais dos recursos nos resultados.
• Add Counterfactuals to RAI Insights dashboard: explora como uma alteração na entrada alteraria a saída do modelo.
• Add Error Analysis to RAI Insights dashboard: explorar a distribuição dos seus dados e identifica subgrupos de dados errôneos.

Compilar e executar o pipeline para criar o painel de IA Responsável

Para criar o painel do Responsible AI, você deve criar um pipeline com os componentes que selecionou. Quando você executa o pipeline, um painel de controle responsável (e um scorecard) é gerado e associado ao seu modelo.

Depois de treinar e registrar um modelo no workspace do Azure Machine Learning, você pode criar o painel do Responsible AI de três maneiras:

• Usando a extensão da interface de linha de comando (CLI) para o aprendizado de máquina do Azure.
• Usando o Software Development Kit (SDK) do Python.
• Usando o estúdio do Azure Machine Learning para uma experiência sem código.

Usando o SDK do Python para compilar e executar o pipeline

Para gerar um painel de IA responsável, você precisa:

• Registre os conjuntos de dados de treinamento e teste como ativos de dados da MLtable.
• Registre o modelo.
• Recupere os componentes internos que você deseja utilizar.
• Criar o pipeline.
• Execute o pipeline.

Se você quiser criar o pipeline usando o SDK do Python, primeiro terá de recuperar os componentes que deseja utilizar.

Você deve iniciar o pipeline com o componente RAI Insights dashboard constructor:

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

Em seguida, você deve adicionar qualquer um dos insights disponíveis, como as explicações, recuperando o Add Explanation to RAI Insights dashboard component:

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

Observação

Os parâmetros e as entradas esperadas variam entre os componentes. Explorar o componente para os insights específicos que você deseja adicionar ao seu painel para encontrar quais entradas você precisa especificar.

E, finalmente, seu pipeline deve terminar com um componente Gather RAI Insights dashboard:

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

Uma vez que você deve ter os componentes, pode construir o 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,
    }

Explorando o painel de controle da IA responsável

Depois da criação do pipeline, você precisa executá-lo para gerar o painel do Responsible AI. Quando o pipeline for concluído com êxito, você poderá selecionar visualizar o painel do AI responsável na visão geral do pipeline.

Como alternativa, é possível encontrar o painel de IA Responsável na guia IA Responsável do modelo registrado.