Evaluar un modelo de IA

Evaluar el modelo

1. Descargue el archivo de datos de evaluación claim_summarization_validation.csv a su equipo local.
2. En la plataforma IBM watsonx, haga clic en el menú de navegación de la parte superior izquierda para expandirlo. Localice y haga clic en Despliegues.

3. Seleccione el espacio de despliegue que creó en el laboratorio 105 (por ejemplo, <tus iniciales o cadena única> - Claim summary testing).
4. Haga clic en la pestaña Despliegues y seleccione el despliegue que creó en el laboratorio 105 (por ejemplo, <tus iniciales o cadena única> - Claim summarization).

5. Haga clic en la pestaña Evaluaciones de la pantalla de información de despliegue y, a continuación, en el botón Evaluar para abrir la ventana Plantilla de solicitud de evaluación.

6. La sección Seleccionar dimensiones para evaluar de la ventana muestra las diferentes evaluaciones disponibles. Actualmente, la Calidad Generativa de IA es la única disponible para esta plantilla en particular. Haga clic en el enlace Configuración avanzada.

Tómese un momento para desplazarse por la pantalla de configuración de Calidad de IA Generativa para ver las diferentes métricas que se medirán como parte de la evaluación de calidad, y los umbrales de alerta establecidos para cada una. Tenga en cuenta que estos umbrales se pueden personalizar completamente para cada modelo, lo que permite a los gestores de riesgos asegurarse de que sus modelos cumplen las normas reglamentarias. Las métricas incluyen mediciones de calidad como la precisión, la recuperación y la similitud, así como la detección de información personal identificable (PII) y de contenido odioso, agresivo y profano (HAP) tanto para la entrada como para la salida del modelo. Para más información sobre las métricas individuales, consulte la documentación de watsonx.governance.

7. Haga clic en Cancelar para volver a la ventana Evaluar plantilla de solicitud.
8. Haga clic en Siguiente y arrastre y suelte el archivo claim_summarization_validation.csv que descargó en un paso anterior de este laboratorio en la sección de carga de la pantalla, o busque el archivo.
9. Haga clic en el menú desplegable Entrada y seleccione Reclamación_de_seguro de la lista. Haga clic en el desplegable Salida de referencia y seleccione Resumen de la lista. Haz clic en Siguiente.

10. Haga clic en Evaluar para iniciar la evaluación, que puede tardar unos minutos en ejecutarse. Tenga en cuenta que si la evaluación falla, normalmente se completará con éxito si se vuelve a ejecutar.

Ha realizado con éxito una evaluación de un modelo de IA generativa.

Revisar los resultados de la evaluación

1. Una vez finalizada la evaluación, desplácese hasta la sección Calidad de la IA Generativa - Resumen de texto. Aquí se enumeran las diferentes métricas de calidad, con la puntuación del modelo y cualquier violación del umbral de alerta. Haga clic en el icono de la flecha para obtener más información sobre las métricas de calidad.

2. La vista detallada de la calidad muestra las diferentes métricas a lo largo del tiempo; a medida que se realicen más evaluaciones, estos gráficos se actualizarán con los puntos de datos adicionales. Tenga en cuenta que al hacer clic en el enlace Configuración de tiempo podrá ajustar la ventana de tiempo para las evaluaciones que desee ver. Desplácese hacia abajo hasta las secciones de las diferentes métricas. Tenga en cuenta que puede hacer clic para ampliar las secciones y obtener una vista más detallada de cada métrica.

3. Cuando haya terminado de ver las métricas de calidad, vuelva a la parte superior de la pantalla y haga clic en la pestaña Salud del modelo. Tómese un momento para revisar esta pestaña, que contiene datos históricos de métricas de salud como latencia, rendimiento, número de usuarios y más. Esta información puede ser vital para que los equipos de infraestructura e ingeniería de una organización se aseguren de que los modelos están respondiendo a las solicitudes de las aplicaciones y los usuarios en un tiempo razonable, y manteniendo los costes de computación en niveles aceptables. Tenga en cuenta que puede hacer clic para ampliar las secciones y obtener una vista más detallada de cada métrica.

También puede navegar a la pestaña Salud del modelo pulsando la flecha a la derecha de Salud del modelo en la pestaña Evaluaciones.

Ha revisado con éxito una evaluación sobre un modelo de IA generativa.

Ver el ciclo de vida actualizado

1. Haga clic en la pestaña Hoja de datos de IA, que abrirá la hoja de datos específica del despliegue del modelo. Tenga en cuenta que el modelo aún se encuentra en la fase de validación del ciclo de vida del modelo.

2. Desplácese hasta la sección Resultados de la evaluación de la ficha. La información de la evaluación del modelo se ha almacenado automáticamente en la ficha, lo que permite a las partes interesadas, como los gestores de riesgos, los usuarios empresariales y los ingenieros de IA, acceder a la información pertinente sin necesidad de que los científicos de datos realicen ningún esfuerzo manual.

3. Haga clic en el menú de navegación de la parte superior izquierda para ampliarlo. Localice la sección de gobernanza de IA del menú, ampliándola si es necesario, y haga clic en Casos de uso de IA.

4. Seleccione el caso de uso de IA que creó en el laboratorio 102 (por ejemplo, <tus iniciales o cadena única> - Claim summarization) y haga clic en la pestaña Ciclo de vida para ver el gráfico del ciclo de vida de este caso de uso del modelo, que reflejará el mismo progreso en la Hoja de datos de IA. Observe que la entrada para el modelo sigue estando en la sección Validar de la vista del ciclo de vida del modelo, con una insignia actualizada que muestra que se ha evaluado. Haga clic en el nombre del modelo desplegado (por ejemplo, <tus iniciales o cadena única> - Claim summarization) en la sección Validar.

Tenga en cuenta que también se puede acceder aquí a la información de la evaluación del modelo que se ha almacenado automáticamente en la AI Factsheet.

5. Desplácese hasta la parte inferior de la pantalla y haga clic en el icono de flecha Más detalles. Se abre la ficha completa del modelo base, que contiene todos los metadatos del modelo anterior, así como las métricas de la versión desplegada.

Hay una pregunta de prueba sobre el IA Factsheet.

Ha visualizado correctamente el ciclo de vida actualizado de una evaluación en un modelo de IA generativa.

Enhorabuena, has llegado al final del laboratorio 106 para evaluar un modelo de IA generativa y has completado los laboratorios L3 watsonx.governance.

Ya puede completar el cuestionario de IBM watsonx.governance for Technical Sales Level 3 Quiz.

Una vez completado el cuestionario, haga clic en IBM watsonx.governance para ir a la página de inicio de IBM watsonx.governance.

Configurar el espacio de despliegue para la supervisión

1. En otra pestaña de su navegador, vaya a https://cloud.ibm.com/resources e inicie sesión en IBM Cloud.
2. Haga clic en Watson OpenScale-** en la sección AI / Machine Learning.

3. Haga clic en Iniciar Watson OpenScale.

4. Compruebe que ha iniciado sesión en la cuenta correcta haciendo clic en el icono del avatar situado en la esquina superior derecha de la pantalla. Asegúrese de que la cuenta correcta está seleccionada en el menú desplegable Cuenta.

5. Haga clic en el botón Configurar de la barra de menú de la izquierda.

6. En la sección Obligatorio, haga clic en Proveedores de aprendizaje automático y, a continuación, en el botón Añadir proveedor de aprendizaje automático.

7. Haga clic en el icono del lápiz para editar el nombre del proveedor de aprendizaje automático. Dale a tu proveedor un nombre que incluya alguna información identificativa y el propósito para el que se utilizará (ej. <tus iniciales o cadena única> - Auto policy risk test automática), y haz clic en el botón azul Aplicar.

8. Pulse el icono del lápiz en el mosaico Conexión. Rellene la siguiente información para la conexión y, a continuación, pulse el botón Guardar:

• Proveedor de servicios: Watson Machine Learning (V2).
• Espacio de despliegue: Seleccione el espacio de despliegue que creó en el laboratorio 105 (por ejemplo, <tus iniciales o cadena única> - Policy risk testing).
• Tipo de entorno: Preproducción

Ha identificado correctamente su espacio de despliegue como proveedor de aprendizaje automático para el servicio de monitorización. Ahora puede configurar la supervisión para el propio modelo.

Añadir el modelo al cuadro de mandos

1. Haga clic en el botón Insights dashboard de la barra de menú de la izquierda.

2. Haga clic en el botón azul Añadir al cuadro de mandos. Se abrirá la pantalla Seleccionar un despliegue de modelos.

3. Haga clic en el botón Proveedores de aprendizaje automático. En la lista de proveedores, seleccione el que creó anteriormente en este laboratorio (por ejemplo, <tus iniciales o cadena única> - Auto policy risk test) y, a continuación, haga clic en Siguiente.

4. En la lista de modelos desplegados, seleccione el que creó en el laboratorio 105 (por ejemplo, <tus iniciales o cadena única> - Policy risk testing) y, a continuación, haga clic en Siguiente.
5. La información de la pantalla Proporcionar información del modelo se recuperará de los metadatos disponibles del modelo. Haga clic en el botón Ver resumen y, a continuación, en Finalizar. Tras una breve espera, se abrirá la pantalla de resumen de métricas del modelo.

Ha añadido correctamente su modelo al panel Insights.

Recopilar la información necesaria

Configurar la monitorización para el modelo requerirá enviarle algunos datos, lo que a su vez requiere cierta información sobre la suscripción al modelo en el servicio de monitorización. Tenga en cuenta que este paso normalmente no sería necesario; sin embargo, va a supervisar el modelo para el sesgo indirecto, lo que requiere el envío de metadatos al modelo que no se incluye como una característica.

1. En la pantalla de resumen de métricas del modelo, haga clic en el botón Acciones y seleccione Ver información del modelo en el menú desplegable.

2. Copie y pegue los valores de ID de datamart de evaluación e ID de suscripción en un archivo de texto, asegurándose de anotar qué valor es cada uno. Utilizarás estos dos valores en un cuaderno Jupyter en el siguiente paso.
3. En otra ventana del navegador, vaya a la página de claves de API de IBM Cloud correspondiente a su cuenta, iniciando sesión si es necesario.
4. Haga clic en el botón Crear.
5. Dale un nombre a tu clave API y haz clic en Crear. Haga clic en el icono Copiar situado debajo de la clave API para copiarla en el portapapeles. Péguela en un archivo de texto para utilizarla más tarde.

Enviar datos al modelo

1. En la ventana del navegador de su plataforma IBM watsonx, haga clic en el Menú de navegación de la parte superior izquierda para expandirlo. Localice la sección Proyectos del menú, ampliándola si es necesario, y haga clic en Ver todos los proyectos.

2. Seleccione el proyecto de IA predictiva que creó en el laboratorio 103 (por ejemplo, <tus iniciales o cadena única> - Auto policy risk).

3. Haga clic en la pestaña Activos del proyecto. En la lista de activos, localice el bloc de notas Enviar datos al modelo. Haz clic en los tres puntos a su derecha para abrir el menú de opciones y selecciona Editar. Se abrirá el editor de cuadernos Jupyter de watsonx.

4. Copie y pegue los valores que reunió en los pasos anteriores en la primera celda de código, asegurándose de que están contenidos entre las comillas de cada línea.
5. Haga clic en el elemento Celda del menú situado encima de las celdas de código y seleccione Ejecutar todo para ejecutar todas las celdas de código. Deberían tardar unos 30 segundos en completarse.

Si las celdas de código se ejecutaron correctamente, debería ver un mensaje debajo de la celda de código inferior similar a este:

Si ha recibido un mensaje de error, es probable que se deba a que no ha utilizado los valores correctos en la primera celda de código. Compruebe que son correctos y vuelva a ejecutar todas las celdas de código. Una vez que se ejecuten correctamente, continúe con el siguiente paso.

Has enviado con éxito datos a tu modelo a través de un cuaderno Jupyter.

Conectar con los datos de entrenamiento

A continuación, configurará los monitores individuales para el modelo. Tenga en cuenta que cada modelo desplegado puede tener sus propias métricas personalizadas y umbrales de alerta configurados, lo que permite a los administradores, responsables de cumplimiento y profesionales de gestión de riesgos garantizar que los modelos cumplen todas las normativas y requisitos internos pertinentes.

1. En la ventana del navegador de IBM Watson OpenScale, haga clic en el botón Acciones y seleccione Configurar monitores en el menú desplegable.

2. Haga clic en el icono Editar del mosaico Datos de entrenamiento.

3. Deje seleccionada la opción Utilizar configuración manual en Método de configuración y haga clic en Siguiente.
4. Haga clic en el menú desplegable Opción de datos de entrenamiento y haga clic en Base de datos o almacenamiento en la nube. Haga clic en el menú desplegable Ubicación, y haga clic en Almacenamiento de objetos en la nube. Obtenga del host de laboratorio los valores de los campos ID de instancia de recurso y Clave API y, a continuación, haga clic en Conectar.

5. Haga clic en el menú desplegable Bucket y seleccione faststartlab-donodelete... bucket. Haga clic en el menú desplegable Conjunto de datos para seleccionar el archivo policy_risk_openscale_train.csv. Haz clic en Siguiente.

6. La herramienta de supervisión debería identificar correctamente la característica y etiquetar las columnas, utilizando los metadatos almacenados con el modelo. Haga clic en Siguiente.
7. La herramienta de supervisión también identifica correctamente el campo de predicción. Haga clic en Ver resumen para continuar.
8. Haga clic en Finalizar para guardar la configuración de los datos de entrenamiento.

Se ha conectado correctamente a los datos de entrenamiento.

Configurar el monitor de equidad

1. En la lista de Evaluaciones de la izquierda, haga clic en Equidad.

2. Observe la descripción de equidad en el centro de la pantalla, que ofrece una buena definición de lo que evalúa el monitor. Haga clic en el icono Editar del mosaico Configuración.

3. Configurará manualmente el archivo de equidad. Deje seleccionado Configurar manualmente y haga clic en Siguiente para continuar.
4. Para supervisar adecuadamente un modelo en busca de parcialidades injustos, debe especificar qué resultados del modelo son favorables y cuáles son desfavorables. Para los modelos de clasificación binaria, como el modelo de crédito Riesgo frente a No riesgo, o el modelo de selección de candidatos Contratar frente a No contratar, estos valores son fáciles de determinar. Sin embargo, es un poco más difícil para un modelo de regresión como el de este laboratorio. Tendrá que definir rangos de resultados que representen resultados favorables o desfavorables. Tenga en cuenta que la herramienta de monitorización ha leído los datos de entrenamiento y ha rellenado los valores mínimo y máximo de RIESGO en ese conjunto de datos. Para este caso de uso, identificará cualquier puntuación de 40 o superior como un resultado desfavorable. Utilice los campos de entrada numérica para introducir un valor mínimo de 0 y un valor máximo de 39 y, a continuación, haga clic en Añadir valor. Utilice la casilla de verificación para establecer el valor en Favorable.

5. Repita el paso anterior para añadir un segundo valor, con un valor mínimo de 40 y un valor máximo de 100 (el límite superior teórico de la salida del modelo) y, a continuación, haga clic en Añadir valor. Utilice la casilla de verificación para establecer el valor en Desfavorable y, a continuación, haga clic en Siguiente.
6. Establezca el Tamaño mínimo de la muestra en 100 y haga clic en Siguiente.
7. Deje la opción Métricas supervisadas seleccionadas en Impacto dispar y haga clic en Siguiente.
8. Deje los umbrales inferior y superior de Impacto desigual en sus valores predeterminados y haga clic en Siguiente.
9. Ahora debe seleccionar los campos que desea supervisar. IBM Watson OpenScale ha analizado los datos de entrenamiento y ha sugerido que se supervisen PRIM_DRIVER_AGE y PRIM_DRIVER_GENDER, ya que, basándose en sus nombres y valores, es probable que representen campos de edad y sexo. Sin embargo, para este caso de uso, no necesitará monitorizar estos campos, ya que las compañías de seguros han demostrado a lo largo del tiempo que los conductores masculinos, así como los conductores de ciertos grupos de edad, presentan un riesgo elevado, y estos datos pueden por lo tanto utilizarse legalmente para establecer las primas de las pólizas. Utilice las casillas de verificación para anular la selección de PRIM_DRIVER_AGE y PRIM_DRIVER_GENDER. Desplácese hasta el final de la lista de características, marque la casilla junto a MINORÍA y haga clic en Siguiente.
10. Utilice las casillas de verificación para especificar MINORÍA como grupo Supervisado y NO MINORÍA como grupo de Referencia. Haga clic en Siguiente.

11. Utilice el umbral de alerta predeterminado (80) y haga clic en Guardar para terminar de configurar el monitor de imparcialidad.

Ha configurado correctamente el monitor de imparcialidad para una evaluación.

Configurar el monitor de calidad

1. En la lista de evaluaciones de la izquierda, haga clic en Calidad.
2. Haga clic en el icono Editar del mosaico Umbrales de calidad.
3. Deje los valores por defecto del umbral inferior y superior como están. Tenga en cuenta que puede hacer clic en el icono Información situado a la derecha de cada valor para obtener más información sobre cómo se calcula. Haga clic en Siguiente.
4. Establezca el valor Tamaño mínimo de la muestra en 100. Haga clic en Guardar para guardar la configuración de calidad.

Ha configurado correctamente el monitor de calidad para una evaluación.

Configurar el servicio de explicabilidad

1. En la sección "Explainability " de la izquierda, haga clic en " General settings".

2. En el mosaico Método de explicación, haga clic en el icono Editar.
3. Existen dos métodos diferentes para las explicaciones: Explicaciones aditivas de Shapley (SHAP) o Explicaciones agnósticas del modelo interpretable local (LIME). Como se describe en la sugerencia que aparece al hacer clic en el cuadro Información, SHAP suele proporcionar explicaciones más completas, pero LIME es más rápido. Deje seleccionado el método LIME y haga clic en Guardar.

Ha configurado correctamente el servicio explainability.

Ejecutar una evaluación

1. Descargue el archivo de datos de evaluación policy_risk_openscale_eval.csv a su equipo local.
2. En la ventana del navegador de IBM Watson OpenScale, haga clic en Ir al resumen del modelo a la izquierda.

3. Haga clic en el botón Acciones y seleccione Evaluar ahora en el menú desplegable.

4. Haga clic en el menú desplegable Importar y elija desde archivo CSV de la lista de opciones. Arrastre y suelte el archivo CSV de evaluación descargado en el área designada en su pantalla, o búsquelo en su máquina utilizando el enlace, luego haga clic en Cargar y evaluar. Cuando el monitor se complete y se muestren las métricas, continúe con el siguiente paso.

Nota: la evaluación puede tardar varios minutos. Si falla por cualquier motivo, siga los mismos pasos y vuelva a ejecutar la evaluación para solucionar el problema.

Ha realizado con éxito la evaluación de un modelo de IA predictiva.

Ver los resultados de la evaluación

1. Tómese un momento para revisar los resultados de la evaluación. Tenga en cuenta que, en función del contenido de la muestra aleatoria de los datos de la evaluación, sus resultados variarán cada vez que realice la evaluación.
2. Revise las diferentes métricas en el mosaico Calidad. Observe que, si la medición cae por debajo del umbral de alerta establecido al configurar el monitor de calidad, la cantidad aparecerá en la columna Violación de la tabla. Para una explicación completa de las diferentes métricas utilizadas para calcular la calidad del modelo, consulte esta página de documentación.
3. A continuación, observe la ficha Equidad. Una vez más, en función del contenido de la muestra aleatoria de los datos de evaluación, los resultados variarán cada vez que realice la evaluación. En la mayoría de los casos, el modelo se mostrará como justo, sin alertas de problemas de imparcialidad. Para obtener más información, haga clic en el icono de la flecha de la ficha Equidad.

4. Desplácese hacia abajo hasta la parte del gráfico de la pantalla y dedique un momento a leer y comprender la sección Cómo se determinó la puntuación del impacto dispar, haciendo clic en el enlace Ver cálculo para ver el cálculo específico.

Hay una pregunta de prueba sobre la métrica de puntuación de equidad.

5. Observe el gráfico. El grupo supervisado, de color púrpura en la captura de pantalla, tiene una equidad calculada por encima del umbral de alerta (80%, la línea roja en el gráfico) que configuró al configurar el monitor de equidad. Si pasa el cursor por encima de cualquiera de las barras del gráfico, también podrá ver el porcentaje exacto de resultados favorables que el grupo recibió del modelo.

6. Desplácese hacia abajo hasta la sección Sesgo indirecto: características proxy para MIN ORIDAD en la parte inferior de la pantalla. En la siguiente captura de pantalla, observe que la etiqueta MINORÍA está bastante correlacionada (0,38) con la proximidad a HOTSPOT3, lo que indica que una zona concreta con frecuentes accidentes de tráfico está probablemente situada en una zona de Chicago con una elevada población minoritaria. Este tipo de correlaciones pueden provocar un sesgo injusto en los modelos de IA, haciendo que discriminen a las minorías incluso si el origen étnico no forma parte del conjunto de datos de entrenamiento. Sin embargo, si hace clic en el icono de la flecha situado a la izquierda de la etiqueta HOTSPOT3, observará que (al menos en la captura de pantalla que aparece a continuación) la proximidad a ese punto conflictivo no dio lugar a resultados significativamente más negativos, lo que significa que no es probable que sea una característica importante para determinar la decisión del modelo. Si desea obtener más información sobre las características proxy y la intensidad de la correlación, haga clic en los iconos de información situados a la derecha de cada encabezamiento de medición.

Hay una pregunta de prueba sobre la parcialidad indirecta.

7. Cuando haya terminado de revisar los resultados, desplácese a la parte superior de la pantalla y haga clic en el botón Ver transacciones de carga útil.

Ha visto correctamente los resultados de la evaluación en cuanto a calidad e imparcialidad.

Explicar una predicción

Además de cumplir las normas de calidad e imparcialidad, en muchos casos los modelos de IA deben dar explicaciones sobre las decisiones o predicciones que toman. Por ejemplo, en virtud de la Ley de Igualdad de Oportunidades de Crédito de Estados Unidos y del Reglamento General de Protección de Datos de la Unión Europea, las personas afectadas por una decisión de IA tienen derecho a conocer las razones específicas de dicha decisión. La página de Wikipedia Derecho a la explicación ofrece varios enlaces útiles con más información.

IBM watsonx.governance ofrece la posibilidad de generar explicaciones detalladas para modelos predictivos utilizando el algoritmo que especificó previamente al configurar el servicio de explicabilidad.

1. En la tabla de transacciones, haga clic en uno de los enlaces Explicar predicción. Puede obtener resultados más interesantes si encuentra una predicción cercana al umbral de desfavorable (39, tal y como se define al configurar el monitor de imparcialidad). El servicio de explicabilidad utilizará el algoritmo LIME para generar una explicación detallada, que puede tardar unos minutos en ejecutarse.

1. Una vez generada la explicación, desplácese hacia abajo hasta el gráfico, que muestra la influencia que tuvieron las distintas características en el resultado del modelo. Las características en azul aumentaron la puntuación final, mientras que las de rojo la disminuyeron. En el caso de los modelos de clasificación, las características en azul contribuyeron positivamente a la confianza del modelo en la predicción, mientras que las que aparecen en rojo la disminuyeron. Pase el cursor por encima de cada columna del gráfico para obtener más información.
2. Haga clic en la pestaña Inspeccionar. En esta pestaña, puede modificar los valores asociados al registro y volver a enviarlo al modelo para ver cómo cambia el cálculo final del riesgo. Esto puede ser útil para comprender cómo está funcionando el modelo, o si un asegurado está buscando maneras de disminuir su evaluación de riesgo.

Ha visualizado correctamente la explicación de la predicción del modelo.

Ver el ciclo de vida actualizado

1. En la ventana del navegador de su plataforma IBM watsonx, haga clic en el menú de navegación de la parte superior izquierda para expandirlo. Localice la sección de gobernanza de IA del menú, ampliándola si es necesario, y haga clic en Casos de uso de IA.

4. Seleccione el caso de uso de IA que creó en el laboratorio 102 (por ejemplo, <tus iniciales o cadena única> - Auto policy risk) y haga clic en la pestaña Ciclo de vida para ver el gráfico del ciclo de vida de este caso de uso del modelo. Observe que la entrada para el modelo está ahora en la sección Validar de la vista del ciclo de vida del modelo, con una insignia actualizada que muestra que ha sido evaluado y una alerta roja que proporciona una señal visual de que el modelo puede tener problemas. Haga clic en el nombre del modelo desplegado (por ejemplo, <tus iniciales o cadena única> - Policy risk testing).

5. Desplácese hacia abajo hasta las secciones Calidad y Equidad de la ficha del modelo. Tenga en cuenta que las métricas de evaluación generadas por la herramienta de supervisión IBM Watson OpenScale se han almacenado automáticamente en la ficha técnica del modelo, lo que permite a las partes interesadas, como gestores de riesgos y científicos de datos, acceder a la información que necesitan para evaluar el rendimiento del modelo, con un enlace opcional que abrirá la herramienta de supervisión si necesitan más información.

Hay una pregunta de prueba sobre el IA Factsheet.

Ha visualizado correctamente el ciclo de vida actualizado de una evaluación en un modelo de IA predictiva.

Enhorabuena, has llegado al final del laboratorio 106 para evaluar un modelo predictivo de IA y has completado los laboratorios L3 de watsonx.governance.

Ya puede completar el cuestionario de IBM watsonx.governance for Technical Sales Level 3 Quiz.

Una vez completado el cuestionario, haga clic en IBM watsonx.governance para ir a la página de inicio de IBM watsonx.governance.