Certifiez l'IA de crédit et de fraude pour les régulateurs
Les scientifiques des données certifient depuis Jupyter, et le contrôle du pipeline Azure ML arrête un modèle non conforme avant son empaquetage.
Les modèles de fraude et de crédit décident qui est refusé et qui est signalé. Les régulateurs exigent une gestion documentée du risque de modèle, l'équité entre les groupes et la preuve que les données personnelles sont protégées.
Cette preuve est requise pour chaque version mise en production, pas une fois par année.
Normes visées
Une certification intégrée à la façon dont vos équipes travaillent déjà
Certifiez depuis le carnet
L'extension certone-jupyter soumet le projet depuis une cellule et affiche le verdict et les constats directement dans le carnet.
Un contrôle dans le pipeline ML
Une étape CertOne dans le pipeline Azure ML fait échouer l'exécution sur un verdict défavorable et liste chaque problème, donc le modèle n'est jamais empaqueté.
L'équité mesurée, pas déclarée
Des métriques comme l'écart de parité statistique sont calculées à partir des données d'évaluation dans des conteneurs confidentiels Kata et comparées aux seuils déclarés.
certone-jupyterDans l'environnement de carnets de l'équipe.
Le verdict revient dans le carnet.
Un verdict défavorable arrête l'empaquetage.
Enregistrés sur la plateforme CertOne en production.
Un modèle de fraude à gradient boosting (ONNX) qui note les transactions par carte.
Voyez CertOne sur les systèmes de votre secteur
Inscrivez-vous pour voir les démonstrations complètes, enregistrées sur la plateforme en production.