模型治理(ModGov)

在各种用例中，机器学习模型正在迅速地被跨组织采用和实现。由于模型是“黑盒”，并且严重依赖训练数据，机器学习的实现在治理和控制方面提出了挑战。模型透明性、可问责性、安全性和可重用性是治理ML模型的关键参数。数据治理和数据安全方面也将得到解决。

以下是在ML模型治理中遇到的典型业务和功能挑战:

• 缺少一个集中的治理平台来在业务和数据科学团队之间交换模型元数据(范围、期望和依赖关系)
• 支持ml的应用程序通常调用连接模型的管道，通常由不同的团队使用不同的语言和框架编写
• 对可用培训数据的来源、质量和兼容性缺乏可见性
• 跟踪元数据和ML模型和管道的沿袭
• 数据漂移(模型输入数据的变化导致模型性能下降)
• 数据科学家无法以安全的方式访问正确的数据集
• 缺乏用于模型重用和团队之间交换的共享目录

模型治理(ModGov)提供了一个已定义的过程，为ML模型生命周期建立问责制，并为安全有效地使用训练数据。它以定义良好的方式集成了模型治理、访问控制、模型验证和选择。它跟踪数据和模型依赖关系的变化，并无缝集成ML模型生命周期框架，如MLFlow与Collibra(即输入、输出、算法、管道和依赖关系)。亚愽视频改进协作，检测模型衰减，提供更可靠和更新的模型元数据。

特点:

• 预定义操作模型包括注册模型、模型运行、指标、参数、数据集等。
• 模型、模型版本和数据的集中注册表，以及相关的权利和访问级别，以确保一致、安全的使用
• 维护所有ML模型的详细清单以及业务元数据和分类
• 从模型生命周期框架(如MLFlow)中获取技术元数据
• 回顾输入数据、算法、参数、依赖关系和输出(度量和工件)的模型验证过程
• 底层数据集的自动数据漂移检测过程
• 验证数据来源的合法性和权威性的指导过程，包括外部来源(例如，开源数据库，市场数据提供商和社交媒体渠道)
• 引导流程启动具有业务一致性和成功标准的模型开发

通过使用增强的Collibra数据篮体验启用模型检查亚愽视频