Lo strumento grafico AutoAI analizza i dati e utilizza algoritmi di dati, trasformazioni e impostazioni di parametri per creare il miglior modello predittivo. AutoAI visualizza vari modelli potenziali come pipeline di candidati del modello e li classifica in una classifica tra cui scegliere.
Fino a 1 GB o fino a 20 GB. Per i dettagli, consultare AutoAI data use.
utilizzo dei dati AutoAI
Copy link to section
I dati di addestramento e i dati di input del modello sono in formato tabulare. I nomi delle colonne nella tabella devono essere univoci. I nomi colonna duplicati provocherà un errore.
Questi limiti sono basati sulla configurazione di calcolo predefinita di 8 CPU e 32 GB.
Esperimenti di classificazione e regressione AutoAI :
È possibile caricare un file fino a 1 GB per gli esperimenti AutoAI .
Se ci si connette a un'origine dati che supera 1 GB, vengono utilizzati solo i primi 1 GB di record.
Esperimenti di serie temporali AutoAI :
Se l'origine dati contiene una colonna data / ora, AutoAI esegue il campionamento dei dati ad una frequenza uniforme. Ad esempio, i dati possono essere in incrementi di un minuto, un'ora o un giorno. La data / ora specificata viene utilizzata per determinare la finestra di lookback per migliorare la precisione del modello.
Nota:
Se la dimensione del file è maggiore di 1 GB, AutoAi ordina i dati in ordine di tempo discendente e solo i primi 1 GB vengono utilizzati per preparare l'esperimento.
Se l'origine dati non contiene una colonna data / ora, assicurarsi che AutoAI campiona i dati a intervalli uniformi e ordina i dati in ordine crescente . Un criterio di ordinamento ascendente indica che il valore nella prima riga è il più vecchio e il valore nell'ultima riga è il più recente.
Nota: se la dimensione del file è maggiore di 1 GB, troncare la dimensione del file in modo che sia minore di 1 GB.
Per ulteriori informazioni sulla scelta dello strumento giusto per i tuoi dati e il tuo caso d'uso, fai riferimento a Scelta di uno strumento.
Processo AutoAI
Copy link to section
Utilizzando AutoAI, è possibile costruire e distribuire un modello di apprendimento automatico con sofisticate funzioni di addestramento e senza bisogno di codifica. Lo strumento fa la maggior parte del lavoro per voi.
Per visualizzare il codice che ha creato un particolare esperimento o per interagire con l'esperimento in modo programmatico, è possibile salvare un esperimento come un notebook.
AutoAI esegue automaticamente le seguenti attività per creare e valutare le pipeline del modello candidato:
Per ulteriori dettagli su ciascuna di queste fasi, inclusi i link ai documenti di ricerca associati e le descrizioni degli algoritmi applicati per creare le pipeline del modello, vedi Dettagli sull'implementazione diAutoAI.
Pre - elaborazione dati
Copy link to section
La maggior parte dei dataset contiene diversi formati di dati e valori mancanti, ma gli algoritmi di machine learning standard funzionano solo con numeri e senza valori mancanti. Pertanto, AutoAI applica vari algoritmi o stimatori per analizzare, ripulire e preparare i dati non elaborati per il machine learning. Questa tecnica rileva e categorizza automaticamente i valori in base alle funzioni, ad esempio il tipo di dati: categoriale o numerico. A seconda delle categorie, AutoAI utilizza l' ottimizzazione iper - parametro per determinare la migliore combinazione di strategie per l'assegnazione dei valori mancanti, la codifica delle funzioni e la scalabilità delle funzioni per i tuoi dati.
Selezione modello automatizzata
Copy link to section
AutoAI utilizza la selezione automatica dei modelli per identificare il modello migliore per i propri dati. Questo nuovo approccio verifica i modelli potenziali rispetto a piccoli sottoinsiemi di dati e li classifica in base all'accuratezza. AutoAI seleziona quindi i modelli più promettenti e aumenta la dimensione del sottoinsieme di dati finché non identifica la migliore corrispondenza. Questo approccio consente di risparmiare tempo e migliorare le prestazioni riducendo gradualmente i potenziali modelli in base all'accuratezza.
Per informazioni su come gestire le pipeline generate automaticamente per selezionare il modello migliore, fai riferimento a Selezione di un modello AutoAI.
Progettazione di funzioni automatizzata
Copy link to section
Feature engineering identifica il modello più accurato trasformando i dati grezzi in una combinazione di funzioni che meglio rappresentano il problema. Questo approccio unico esplora le varie scelte di costruzione delle caratteristiche in modo strutturato e non esaustivo, massimizzando progressivamente la precisione del modello utilizzando l'apprendimento di rinforzo. Questa tecnica determina una sequenza ottimizzata di trasformazioni per i dati che meglio corrispondono agli algoritmi del passo di selezione del modello.
Ottimizzazione iperparametro
Copy link to section
L'ottimizzazione degli iperparametri perfeziona i modelli più performanti. AutoAI utilizza un nuovo algoritmo di ottimizzazione degli iperparametri per determinate valutazioni di funzioni, come l'addestramento del modello e il calcolo del punteggio, tipiche del machine learning. Questo approccio identifica rapidamente il modello migliore nonostante i lunghi tempi di valutazione ad ogni iterazione.
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.