プロジェクトの作成

1. カタログから、Watson Studio を作成します。
   1. リージョン を選択します
   2. 「ライト」 料金プランを選択します
   3. 「サービス名」 を watson-studio-tutorial に変更します。
   4. 「リソース・グループ」 を選択し、「作成」 をクリックします
2. 「起動 (Launch in)」 ツイスティーをクリックし、 IBM watsonx を選択します。
3. 「プロジェクト」 セクションで 「+ 新規プロジェクトの作成 (+ Create a new project)」 をクリックして、 プロジェクト を作成します。
4. プロジェクト名として iris_project を指定します。
5. 「ストレージの定義」 で、 Object Storage サービスの新規インスタンスを 追加 します。
6. 「作成」 をクリックします。 新規プロジェクトが開き、それに対するリソースの追加を開始できます。

データのインポート

前述のように、Iris データ・セット を使用します。 アイリス・データ・セットは、R.A. Fisher の著名な 1936 年の論文、The Use of Multiple Measurements in Taxonomic Problems (分類上の問題における複数の測定値の使用) で使用され、UCI Machine Learning リポジトリーにもあります。 この小さいデータ・セットは、機械学習アルゴリズムや可視化のテストによく使用されています。 その目的は、がく片と花弁の長さと幅の測定により、アイリスの花を 3 つの品種 (Setosa、Versicolor、Virginica) に分類することです。 アイリス・データ・セットには、それぞれ 50 個のインスタンスを持つ 3 つのクラスが含まれています。各クラスは、植物のアイリスの品種を指します。

シパルは、被子植物 (顕花植物) の花の一部である。 通常、シールは通常、芽の中の花の保護として機能し、花が咲くときの花弁の支えとして機能します。 花弁は、花の生殖部分を取り囲む変形された葉である。 受粉者を引き付けるために明るい色や異常に形作られることが多い。 https://en.wikipedia.org/wiki/Iris_flower_data_set

各種の 40 個のインスタンスで構成される iris_initial.csv を ダウンロード します。 ダウンロードしたファイルの名前が iris_initial.csv であることを確認します。

1. 「資産」 タブを選択します (まだ選択されていない場合)。
2. 「このプロジェクトのデータ」 の下で、 「ここにデータ・ファイルをドロップするか、アップロードするファイルを参照します」 をクリックします。
3. ダウンロードした iris_initial.csv をアップロードします。
4. 追加されると、プロジェクトのすべてのアセットのセクションに iris_initial.csv が表示されるはずです。

デプロイされたモデルのテスト

1. デプロイの[Test] タブで、[Enter input data]の横にある JSON入力アイコンをクリックし、入力として JSON を入力します。

      {
      "input_data": [{
        "fields": ["sepal_length", "sepal_width", "petal_length", "petal_width"],
        "values": [
          [5.1,3.5,1.4,0.2], [3.2,1.2,5.2,1.7]
        ]
      }]
    }
   

2. 「予測 (Predict)」 をクリックすると、 「予測結果 (Prediction results)」 が表および JSON ビューに表示されます。
3. 入力データを変更して、モデルのテストを続行できます。

IBM Watson OpenScale サービスのプロビジョン

このセクションでは、Watson OpenScale サービスを作成して、デプロイ済みの機械学習モデルの正常性、パフォーマンス、正確度、および品質のメトリックをモニターします。

1. IBM Watson OpenScale サービス (watsonx.governance) を作成します。
   1. Machine Learning サービスを作成したのと同じ地域の地域を選択することをお勧めします。
   2. 「ライト」 プランを選択します。
   3. サービス名を watson-openscale-tutorial に設定します。
   4. リソース・グループを選択します。
   5. 「作成」 をクリックします。
2. サービスのプロビジョニングが完了したら、左ペインの Manage をクリックし、LaunchWatson OpenScale をクリックします。
3. 「手動セットアップ (Manual setup)」 をクリックして、モニターを手動でセットアップします。

システムのセットアップ

このセクションでは、モニタリング用にモデルを準備する作業の一環として、IBM Watson OpenScale でトラッキングしているデプロイメントごとにモニターをセットアップして有効にします。

1. 「データベース」 をクリックします。 これは、モデル・トランザクションとモデル評価結果を保管するためのものです。 (既に選択されている場合があります)
   1. Database タイルの Edit アイコンをクリックします
   2. データベースの種類として無料ライトプランのデータベースを選択します
   3. 保存 をクリックします。
2. 「機械学習プロバイダー (Machine learning providers)」 をクリックします。
   1. 「機械学習プロバイダーの追加 (Add machine learning provider)」 をクリックし、「接続」 タイル上の編集アイコンをクリックします。
   2. サービス・プロバイダー・タイプとして 「Watson Machine Learning(V2)」 を選択します。
   3. 「デプロイメント・スペース (Deployment space)」 ドロップダウンで、上記で作成したデプロイメント・スペース iris_deployment_space を選択します。
   4. 「環境」タイプを 「実動前 (Pre-production)」 のままにします。
   5. 保存 をクリックします。
3. 左端のペイン：
   1. 「洞察ダッシュボード (Insights dashboard)」 のアイコン (最初のアイコン) をクリックして、デプロイメントを追加します。
   2. 「ダッシュボードに追加」 をクリックして、 「モデル・ロケーションの選択」 ページでウィザードを開始します。
      1. 「デプロイメント・スペース」 タブで、 iris_deployment_space ラジオ・ボタンをクリックします。
      2. 次へ をクリックします。
   3. 「デプロイ済みモデルの選択」 ページで、以下の操作を行います。
      1. iris_deployment をクリックします。
      2. 次へ をクリックします。
   4. 「モデル情報の提供」 ページで、以下の操作を行います。
      1. データ・タイプ: 数値/カテゴリー
      2. アルゴリズム・タイプ: 多クラス分類
      3. 「要約の表示」 をクリックします
   5. 「完了 (Finish)」 をクリックします。

iris_deployment 実動前ダッシュボードが表示されるようになりました。

アクション>モニターの設定

1. 「トレーニング・データ (Training data)」 タイルの 鉛筆 アイコンをクリックして、ウィザードを開始します。
   1. 「構成の選択」 メソッド・ページで、以下を行います。
      1. 手動セットアップを使用する
      2. 次へ をクリックします。
   2. 「トレーニング・データの指定 (Specify training data)」 メソッド・ページ
      1. トレーニング・データ・オプションについては、 「データベースまたはクラウド・ストレージ」 を選択します。
      2. ロケーションについては、 Cloud Object Storage を選択します。
      3. リソースインスタンスIDとAPIキーは、Cloud Shellで以下のコマンドを実行してください。 このチュートリアルで使用している Object Storage インスタンスの名前に一致するように、 --instance-name の後の値を必ず変更してください。

         ibmcloud resource service-key $(ibmcloud resource service-keys --instance-name "cloud-object-storage-tutorial" | awk '/WDP-Project-Management/ {print $1}')
         

      4. 資格情報 resource_instance_id をコピーして貼り付けます。 これは、 crn で始まり、2 つのコロン :: で終わります。
      5. 末尾にスペースを付けずに資格情報 API キーをコピーして貼り付けます。
      6. 「接続」 をクリックします。
      7. irisproject-donotdelete- 始まるバケットを選択します。
      8. 「データ・セット」ドロップダウンから iris_initial.csv を選択します。
      9. 次へ をクリックします。
   3. 「フィーチャー列およびラベル列の選択」 メソッド・ページで、以下のようにします。
      1. デフォルトは正しいものでなければなりません。 ラベル/ターゲットとして指定され、残りはフィーチャーとして指定されます。
      2. 次へ をクリックします。
   4. 「モデル出力の選択」 メソッド・ページで、以下のようにします。
      1. デフォルトは正確でなければなりません。予測の場合は予測、確率の場合は確率です。
      2. 「要約の表示」 をクリックします
   5. 「完了 (Finish)」 をクリックします。
2. 「モデル出力の詳細 (Model output details)」 タイルの 鉛筆 アイコンをクリックして、ウィザードを開始します。
   1. 「モデル出力詳細の指定」 メソッド・ページで、以下のようにします。
      1. デフォルトは正しいものでなければなりません。
      2. 保存 をクリックします。
3. 左側のペインで、「評価」の下の「品質」をクリックし、「品質しきい値」 タイルの編集アイコンをクリックします
   1. 「品質しきい値」 ページで、以下の値を設定します。
      1. 正確度 0.98
      2. 次へ をクリックします。
   2. 「サンプル・サイズ」 ページ
      1. 最小サンプル・サイズを 10 に設定
      2. 保存 をクリックします。

左側のペインで、「モデル・サマリーに移動 (Go to model summary)」 をクリックします。

モデル性能モニタリング (旧称: 正確度モニター) は、モデルの結果予測の正確度を調べます。

このチュートリアルでは小さなデータ・セットを使用するので、公平性とドリフトを構成しても影響はありません。

デプロイされたモデルの評価

このセクションでは、各種のインスタンスが 10 個含まれている iris_retrain.csv ファイルをアップロードすることにより、モデルを評価します。 **** iris_retrain.csvをダウンロードします。

1. 「アクション」 をクリックしてから、「今すぐ評価 (Evaluate now)」 をクリックします。
2. インポート・オプションとして 「CSV ファイルから」 を選択し、 「参照」 をクリックして、 iris_retrain.csv ファイルをアップロードします。
3. 「アップロードして評価」 をクリックします。
4. 評価が完了すると、さまざまなメトリックを含むダッシュボードが表示されます。

品質メトリックについて理解するには、品質指標の概要を参照してください。