作为非常智慧且能干的数据科学家，或者是努力适应 不同角色的新来乍到者，您训练了一个模型 用于对客户进行分类，又训练了另一个模型用于预测影响采购决定 的激励因素。您如何将这些洞察运用于生产当中？当今的 大部分指南和文档都聚焦于查找数据、清理数据和 训练模型，而将在生产中运用洞察这一繁重的工作 丢给了开发和基础架构团队。IBM 的 Watson Machine Learning 服务 支持您在开发环境中直接进行保存、部署和测试。
Watson Machine Learning 是一项云服务，可用于根据您的数据构建最适合的模块， 然后在线部署这些模型。它还支持 导入以 Spark MLLib 和 Scikit-Learn 编写的自定义模型， 也可以自动为您选择并训练模型。它将机器学习带到了公众视野中， 使不具备开发背景的任何人都可以 轻松部署模型。
学习目标
演示如何在 IBM 的机器学习即服务产品 Watson Machine Learning (WML) 上， 将经过训练的机器学习模型和管道部署到生产环境中。 在线部署后，您将具有一个处理 ML 模型的 自动缩放 API 端点，可供公众使用。
前提条件
一个经过训练的机器学习模型，使用以下任一受 支持的框架 进行训练。
预估时间
创建 WML 服务、保存经过训练的模型、部署模型并 测试部署需耗时约 10-15 分钟。
步骤
作为后起之秀，您训练了一个新 模型、评估了模型的准确性，并且希望将它迁移至生产环境。
以下 6 个步骤将指导您完成 在生产环境中部署机器学习模型的整个过程：
- 创建 Watson ML 服务
- 创建一组凭证以使用该服务
- 下载 SDK
- 认证并保存模型
- 部署模型
- 调用模型
创建 Watson ML 服务
要开始操作，先创建 Watson ML 服务的新实例，用于 托管模型。使用 Watson ML 服务，它可从 IBM Cloud 免费获取。此 免费层为您提供了托管 5 个模型和 5000 次预测的服务； 就不需要付费的服务而言，这已不错了。 创建或登录IBM Cloud 帐户。
- 登录后，选择右上角菜单中的 Catalog
- 搜索“Machine Learning”服务
- 选择显示的 Machine Learning 服务
在服务详细信息页面下，为您提供了概述、 对应于服务运行位置的部分配置选项，以及 定价套餐菜单。
为新机器学习服务命名
选择 Lite Plan
单击 Create
创建一组凭证以使用此服务
Watson Machine Learning 服务已创建完成， 您将转至包含新创建服务相关信息的面板。但在返回代码前， 我们需要创建一组凭证， 用于通过 SDK 或 HTTP API 调用向此服务进行认证。
- 从左侧菜单中选择
Service Credentials
- 选择
New Credential
- 保留默认设置，并选择
Add
- 查看
New Credentials
- 将凭证复制到剪贴板并保存供稍后使用
下载 Python SDK
创建 Watson Machine Learning 服务并保存凭证后， 剩下的一切都可以通过编程方式来执行； 对于像我这样的开发者，现在就可以戴上耳机听音乐了。
watson-machine-learning-client 库还要求安装以下 任一库： pyspark、scikit-learn、xgboost、mlpipelinepy 和 ibmsparkpipeline ；在此示例中，我使用的是 scikit-learn 。此库的相关文档 位于 http://wml-api-pyclient.mybluemix.net/ 。
pip install watson-machine-learning-client scikit-learn
认证并保存模型
使用您先前保存的凭证向 Watson Machine Learning 服务 进行认证。
from watson_machine_learning_client import WatsonMachineLearningAPIClient
wml_credentials = {
"url": "https://ibm-watson-ml.mybluemix.net",
"access_key": "*****",
"username": "*****",
"password": "*****",
"instance_id": "*****"
}
client = WatsonMachineLearningAPIClient(wml_credentials)
将机器学习管道和模型保存在 Watson Machine Learning 服务中。 重要的是在模型中包含管道，并且在执行任何预测之前先 转换数据。构建了管道之后， 通过对数据调用 fit 函数来保存模型
model = pipeline.fit(train_data)
在开发环境内，您可通过对模型调用预测方法执行预测， 但这并不能轻松地 应用于生产部署。Watson Machine Learning 服务可在此 简化部署，只需将经过训练的模型保存并导出到 Watson Machine Learning 服务即可。
model_props = {"authorName":"IBM", "authorEmail":"[email protected]"}
model_artifact = client.repository.store_model(model, name="My Awesome Prediction Model", meta_props=model_props, training_data=train_data)
这样就可以了，您的模型已保存， 通过调用 get_details 方法即可获取模型的详细信息。
print(json.dumps(client.repository.get_details(model_artifact.uid), indent=2))
部署模型
该模型已保存在 Watson Machine Learning 服务中，但在开始 执行预测前，需对其进行部署。 通过部署已保存的模型， 由 API 评分端点对其进行处理。
deployed_model = client.deployments.create(model_artifact.uid, “Deployment of My Awesome Prediction Model”)
显示新近部署模型的 API 端点以及已部署模型的 详细信息。
print(client.deployments.get_scoring_url(deployed_model))
调用模型
部署完模型后，可调用端点，在 HTTP 请求中 传递相关功能。 以下样本方法演示了如何构造一个 HTTP POST 请求，其中包含指定模型管道所需字段的 有效负载。
def get_prediction_ml(featureA, featureB, featureC, featureD):
scoring_url = client.deployments.get_scoring_url(deployed_model))
scoring_payload = { "fields":["FEATUREA","FEATUREB"," FEATUREC"," FEATURED],"values":[[ featureA,featureB, featureC, featureD]]}
header = {'authorization': 'Bearer ' + watson_ml_token, 'content-type': "application/json" }
scoring_response = requests.post(scoring_url, json=scoring_payload, headers=header)
return (json.loads(scoring_response.text).get("values")[0][18])
结束语
以上就是全部内容，只需短短几行代码即可获得具有管道的经过培训的 ML 模型， 并将其作为服务进行部署，且能够按需自动缩放。接下来， 如果您想将发掘的洞察快速运用于生产环境， 只需向该 Notebook 再添加几行代码，而不必再进行 容量规划工作、基础架构扩建，也不必配置网络以使用 API 来处理 您的模型。
虽然这一切适用于任何开发环境， 但借助 IBM 的 Watson Studio 这一基于云的数据科学 IDE， 这甚至能够进一步加以简化。这里的 Watson ML 集成了多种 开源工具，如 Juypter Notebooks、Zeppelin Notebooks，以及 围绕数据治理、协作与缩放的其他增强功能，从而简化了 数据科学和开发团队的工作流程。
本文翻译自 ： Move your Machine Learning insights into production （2018-10-23）
Be First to Comment