L'outil graphique AutoAI analyse vos données et utilise des algorithmes de données, des transformations et des paramètres pour créer le meilleur modèle prédictif. AutoAI affiche divers modèles potentiels en tant que pipelines de candidats de modèle et les classe sur un tableau de classement parmi lesquels vous pouvez faire votre choix.
Les données d'entraînement et les données d'entrée de modèle sont présentées sous forme de tableau. Les noms de colonne de la table doivent être uniques. Les noms de colonne en double entraîneront une erreur.
Ces limites sont basées sur la configuration de calcul par défaut de 8 UC et 32 Go.
Expérimentations de classification et de régression AutoAI :
Vous pouvez télécharger un fichier jusqu'à 1 Go pour les expérimentations AutoAI .
Si vous vous connectez à une source de données qui dépasse 1 Go, seuls les premiers 1 Go d'enregistrements sont utilisés.
Expérimentations de séries temporelles AutoAI :
Si la source de données contient une colonne d'horodatage, AutoAI échantillonne les données à une fréquence uniforme. Par exemple, les données peuvent être par incréments d'une minute, d'une heure ou d'un jour. L'horodatage spécifié est utilisé pour déterminer la fenêtre de récupération des consultations afin d'améliorer la précision du modèle.
Remarque :
Si la taille du fichier est supérieure à 1 Go, AutoAi trie les données dans l'ordre temporel décroissant et seuls les 1 Go sont utilisés pour entraîner l'expérimentation.
Si la source de données ne contient pas de colonne d'horodatage, vérifiez que AutoAI échantillonne les données à intervalles réguliers et trie les données dans l'ordre temporel croissant . Un ordre de tri croissant signifie que la valeur de la première ligne est la plus ancienne et que la valeur de la dernière ligne est la plus récente.
Remarque: si la taille du fichier est supérieure à 1 Go, tronquez la taille du fichier pour qu'elle soit inférieure à 1 Go.
Pour plus d'informations sur le choix de l'outil approprié pour vos données et cas d'utilisation, voir Choix d'un outil.
Processus AutoAI
Copy link to section
Avec AutoAI, vous pouvez générer et déployer un modèle d'apprentissage automatique avec des fonctions d'entraînement sophistiquées et aucun codage. L'outil effectue le plus gros du travail pour vous.
Pour plus de détails sur chacune de ces phases, y compris des liens vers des documents de recherche associés et des descriptions des algorithmes appliqués pour créer les pipelines de modèle, voir Détails de l'implémentation AutoAI.
Prétraitement des données
Copy link to section
La plupart des jeux de données contiennent des formats de données et des valeurs manquantes différents, mais les algorithmes d'apprentissage automatique standard ne fonctionnent qu'avec des nombres et aucune valeur manquante. Par conséquent, AutoAI applique divers algorithmes ou estimateurs pour analyser, nettoyer et préparer vos données brutes pour l'apprentissage automatique. Cette technique détecte et catégorise automatiquement les valeurs en fonction de caractéristiques, telles que le type de données: catégoriel ou numérique. En fonction de la catégorisation, AutoAI utilise l' optimisation des hyperparamètres pour déterminer la meilleure combinaison de stratégies pour l'imputation des valeurs manquantes, le codage des fonctions et la mise à l'échelle des fonctions pour vos données.
Sélection de modèle automatisée
Copy link to section
AutoAI utilise la sélection de modèle automatisée pour identifier le meilleur modèle pour vos données. Cette nouvelle approche teste les modèles potentiels par rapport à de petits sous-ensembles de données et les classe en fonction de la précision. AutoAI sélectionne ensuite les modèles les plus prometteurs et augmente la taille du sous-ensemble de données jusqu'à ce qu'il identifie la meilleure correspondance. Cette approche permet d'économiser du temps et d'améliorer les performances en réduisant progressivement les modèles potentiels en fonction de la précision.
Pour plus d'informations sur la gestion des pipelines générés automatiquement pour sélectionner le meilleur modèle, voir Sélection d'un modèle AutoAI.
Ingénierie de fonctionnalité automatisée
Copy link to section
L'ingénierie des fonctions identifie le modèle le plus précis en transformant les données brutes en une combinaison de fonctions qui représentent le mieux le problème. Cette approche unique explore les différents choix de construction de caractéristiques d'une manière structurée et non exhaustive, tout en maximisant progressivement la précision du modèle en utilisant l'apprentissage par renforcement. Cette technique permet d'obtenir une séquence optimisée de transformations pour les données qui correspondent le mieux aux algorithmes de l'étape de sélection du modèle.
Optimisation d'hyperparamètres
Copy link to section
L'optimisation des hyperparamètres affine les modèles les plus performants. AutoAI utilise un nouvel algorithme d'optimisation d'hyperparamètres pour certaines évaluations de fonction, telles que l'apprentissage et le scoring des modèles, qui sont typiques de l'apprentissage automatique. Cette approche identifie rapidement le meilleur modèle malgré de longs temps d'évaluation à chaque itération.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.