Usar o scorecard de IA Responsável (versão prévia) no Azure Machine Learning

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)

O scorecard de IA responsável do Azure Machine Learning é um relatório em PDF gerado com base em insights e personalizações de painel de IA responsável para acompanhar seus modelos de aprendizado de máquina. Você pode configurar, fazer download e compartilhar facilmente seu scorecard em PDF com seus stakeholders técnicos e não técnicos para instruí-los sobre a integridade e conformidade de seus dados e modelos e para ajudar a cultivar a confiança. É possível também usar o scorecard em revisões de auditoria para informar os stakeholders sobre as características do seu modelo.

Onde localizar o scorecard de IA Responsável

Os scorecards de IA responsável estão vinculados aos dashboards de IA responsável. Para exibir o scorecard de IA Responsável, acesse o registro de modelo selecionando o Modelo no Estúdio do Azure Machine Learning. Em seguida, selecione o modelo registrado para o qual você gerou um scorecard e o painel de IA Responsável. Após selecionar o modelo, selecione a guia IA Responsável para exibir uma lista de painéis gerados. Selecione o painel para o qual você quer exportar um PDF de scorecard de AI Responsável selecionando Insights da IA Responsável e, em seguida, **Exibir todos os scorecards em PDF.

1. Selecione Scorecard de IA responsável (versão prévia) para exibir uma lista de todos os scorecards de IA responsável gerados para este painel.

   

2. Na lista, selecione o scorecard que você deseja baixar e selecione Download para baixar o PDF no computador.

   

Como ler seu scorecard de IA responsável

O scorecard de IA responsável é um resumo em PDF dos principais insights do seu painel de IA responsável. O primeiro segmento de resumo do scorecard fornece uma visão geral do modelo de aprendizado de máquina e os principais valores de destino que você definiu para ajudar todos os stakeholders a determinar se o modelo está pronto para ser implantado:

O segmento de análise de dados mostra as características dos dados, pois qualquer história de modelo estará incompleta sem um reconhecimento correto dos dados:

O segmento de desempenho do modelo exibe as métricas e características mais importantes do modelo de suas previsões e o quanto elas atendem bem aos valores de destino desejados:

Em seguida, também é possível exibir os subgrupos e coortes de dados de melhor e de pior desempenho que são extraídos automaticamente para que seja possível ver os pontos cegos do modelo:

Você pode ver os principais fatores importantes que afetam suas previsões de modelo, o que é um requisito para aumentar confiança em relação à forma como o modelo está executando a tarefa:

É possível ver com mais detalhes os seus insights de imparcialidade do modelo resumidos e inspecionar o quanto seu modelo está satisfazendo bem os valores de destino de imparcialidade que você definiu para os grupos confidenciais desejados:

Por fim, é possível observar os insights causais do conjunto de dados resumidos, que ajudam a determinar se os fatores/tratamentos identificados têm algum efeito causal nos resultados reais:

Próximas etapas

• Veja o guia de instruções para gerar o Painel de IA responsável por meio da CLI v2 e do SDK v2 ou da interface do usuário do Estúdio do Azure Machine Learning.
• Saiba mais sobre os conceitos e as técnicas do dashboard de IA responsável.
• Veja Notebooks YAML e Python de exemplo para gerar um dashboard de IA responsável com o YAML ou o Python.
• Saiba mais sobre como usar o painel de IA responsável e o scorecard para depurar dados e modelos e informar melhor a tomada de decisão nesta postagem no blog da comunidade técnica.
• Veja como o painel de IA responsável e o scorecard foram usados pelo Serviço Nacional de Saúde do Reino Unido (NHS) em uma história real de cliente.
• Explore os recursos do painel de IA responsável nesta demonstração interativa da Web do AI Lab.