Déploiement d'un modèle de série temporelle

Après avoir sauvegardé un modèle dans un projet, procédez comme suit pour déployer le modèle :

1. Recherchez le modèle dans la liste des actifs du projet.
2. Procédez à la promotion du modèle vers un espace de déploiement.
3. Promouvez les données de charge utile vers l'espace de déploiement.
4. A partir de l'espace de déploiement, créez un déploiement.

Remarques relatives à l'évaluation

Jusqu'à présent, le déploiement d'un modèle de série temporelle comprend les mêmes étapes que le déploiement d'une classification ou d'un modèle de régression. Toutefois, en raison de la façon dont les prédictions sont structurées et générées dans un modèle de série temporelle, votre entrée doit correspondre à votre structure de modèle. Par exemple, la façon dont vous structurez votre contenu variera selon que vous prédisez un seul résultat (univarié) ou plusieurs résultats (multivarié).

Remarques générales :

• Pour placer la ou les premières lignes de la fenêtre de prévision après la dernière ligne de vos données, envoyez un contenu vide.
• Pour obtenir la valeur suivante, envoyez le résultat de la demande de contenu vide en tant que demande d'évaluation suivante, et ainsi de suite.
• Vous pouvez envoyer plusieurs lignes en entrée, afin de générer des tendances et prédire la valeur suivante après une tendance.
• Si vous avez plusieurs colonnes de prédiction, vous devez inclure une valeur pour chacune d'elles dans votre demande d'évaluation.
• Lorsque vous configurez le déploiement, vous pouvez spécifier une valeur pour Etapes à venir afin de modifier le nombre d'étapes à prévoir. Par exemple, pour une météo horaire, vous pouvez prévoir 24 étapes.

Evaluation d'un déploiement en ligne

Si vous créez un déploiement en ligne, vous pouvez transmettre les données de contenu à l'aide d'un formulaire d'entrée ou en soumettant du code JSON. Cet exemple montre comment structurer le code JSON pour générer des prédictions.

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": []
    }
  ]
}

{
    "predictions": [
        {
            "fields": [
                "prediction"
            ],
            "values": [
                [
                    12
                ]
            ]
        }
    ]
}

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [12]
          ]
    }
  ]
}

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          ]
    }
  ]
}

Prédiction basée sur de nouvelles observations

Si, au lieu de prévoir la ligne suivante en fonction de l'étape précédente, vous souhaitez entrer de nouvelles observations, entrez les données d'entrée suivantes pour un modèle univarié:

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [2],
          [4],
          [6]
          ]
    }
  ]
}

Entrez de nouvelles observations comme suit pour un modèle multivarié :

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          [4, 3],
          [6, 5]
          ]
    }
  ]
}

Où 2, 4 et 6 sont des observations pour value1 et 1, 3, 5 sont des observations pour value2.

Evaluation d'un modèle de série temporelle avec des fonctions de prise en charge

Après avoir déployé votre modèle, vous pouvez accéder à la page détaillant votre déploiement pour obtenir des valeurs de prévision. Choisissez l'une des méthodes suivantes pour tester votre déploiement:

{
        "input_data": [
                {
                        "id": "observations",
                        "values": [
                                [
                                        96.125,
                                        3.958,
                                        1026.833
                                ]
                        ]
                },
                {
                        "id": "supporting_features",
                        "values": [
                                [
                                        3.208,
                                        1020.667
                                ]
                        ]
                }
        ]
}

Etapes suivantes

Sauvegarde d'un carnet de notes généré par AutoAI (watsonx.ai Runtime)

Rubrique parent: Génération d'une expérimentation de série temporelle