自动化生产路径

将模型放入产品是一个多步骤的过程。 在部署和测试之前，必须加载和处理数据，训练和评估模型。 人工智能实验、数据分析和机器学习模型都需要更多的观察、评估和长期更新，以避免偏差或漂移。

下图展示了一个模型生命周期示例，您可以从许多可能的流程中自动创建模型生命周期。

您可以将管道自动化，以便

• 安全地加载和处理来自各种内部来源和外部连接的数据。
• 通过构建、运行、评估和部署模型或运行脚本，以协调一致的方式获得您想要的结果。
• 通过创建分支，可轻松运行流程路径，并通过直接的视觉效果收集结果。

管道可运行的实验包括但不限于

• AutoAI 试验
• Jupyter Notebook工作
• Data Refinery工作
• SPSS Modeler 作业

为了缩短从构思到生产的时间，您可以组装管道并快速更新和测试修改。 "管道" 画布提供了一些工具，用于对管道进行可视化，在运行时使用管道参数变量对其进行定制，然后将其作为试用作业或按调度运行。

使用管道编辑工具，使数据科学家和 ModelOps 工程师之间的协作更具凝聚力。 数据研究员可以创建和训练模型。 然后， ModelOps 工程师可以在将模型发布到生产环境之后自动执行训练，部署和评估该模型的过程。

用例和教程

您可以将IBMOrchestration Pipelines 纳入您的数据结构解决方案，以管理数据和人工智能生命周期并使之自动化。 有关Data Fabric如何以实用方式支持您的机器学习目标和操作的更多信息，请参阅用例。

• 数据科学和 MLOps 用例介绍了如何管理数据、建立模型构建和部署管道，以及评估模型的公平性和性能。
• 数据科学和 MLOps 教程: 通过数据集成编排 AI 管道
• 数据科学和 MLOps 教程: 通过模型监视编排 AI 管道

其他资源

有关更多信息，请参阅有关使用管道流程自动化 AI 生命周期的此篇博文。

了解更多信息

• 将管道添加到您的项目，并了解画布工具。
• 运行内置示例管道，尝试运行实际操作管道流程。
• 创建管道，以创建自定义场景的端到端流程。
• 运行和保存管道，将管道作为资产进行管理。