Crie o painel de IA responsável

Concluído

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

O painel de IA responsável permite que você escolha os insights de que precisa, para avaliar se seu modelo é seguro, confiável e ético.

O Azure Machine Learning tem componentes incorporados que podem gerar insights de IA responsável para você. Os insights são então reunidos em um painel interativo para você explorar. Você também pode gerar um scorecard como PDF para compartilhar facilmente os insights com seus colegas para avaliar seus modelos.

Criar um dashboard de IA Responsável

Para criar um painel de IA responsável (RAI), você precisa criar um pipeline usando os componentes internos. O gasoduto 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 todas as informações em um painel.
4. Opcionalmente , você também pode adicionar o Gather RAI Insights score card no final do seu pipeline.

Explore os componentes de IA responsável

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

• Add Explanation to RAI Insights dashboard: Interpretar modelos gerando explicações. As explicações mostram o quanto as características influenciam a previsão.
• Add Causal to RAI Insights dashboard: Use dados históricos para visualizar os efeitos causais das características nos resultados.
• Add Counterfactuals to RAI Insights dashboard: Explore como uma alteração na entrada alteraria a saída do modelo.
• Add Error Analysis to RAI Insights dashboard: Explore a distribuição dos seus dados e identifique subgrupos de dados errados.

Crie e execute o pipeline para criar o painel de IA responsável

Para criar o painel de IA responsável, crie um pipeline com os componentes selecionados. Quando você executa o pipeline, um painel Responsável (e scorecard) é gerado e associado ao seu modelo.

Depois de treinar e registrar um modelo no espaço de trabalho do Azure Machine Learning, você pode criar o painel de IA Responsável de três maneiras:

• Usando a extensão CLI (Interface de Linha de Comando) para o Aprendizado de Máquina do Azure.
• Usando o Python Software Development Kit (SDK).
• Usando o estúdio do Azure Machine Learning para uma experiência sem código.

Usando o SDK do Python para construir 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 MLtable.
• Registar o modelo.
• Recupere os componentes internos que você deseja usar.
• Construa o pipeline.
• Executar o pipeline.

Se você quiser construir o pipeline usando o SDK do Python, primeiro terá que recuperar os componentes que deseja usar.

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

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

Em seguida, você pode 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"
)

Nota

Os parâmetros e entradas esperadas variam entre os componentes. Explore o componente para obter as informações específicas que você deseja adicionar ao seu painel para encontrar quais entradas você precisa especificar.

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

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

Depois de ter os componentes, você pode criar 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 IA responsável

Depois de construir o pipeline, você precisa executá-lo para gerar o painel de IA responsável. Quando o pipeline for concluído com êxito, você poderá optar por exibir o painel de IA responsável na visão geral do pipeline.

Como alternativa, você pode encontrar o painel de IA Responsável na guia IA Responsável do modelo registrado.