Translation not up to date
Edytor Watson Pipelines udostępnia graficzny interfejs do aranżowania kompleksowego przepływu zasobów aplikacyjnych od utworzenia do wdrożenia. Składanie i konfigurowanie potoku w celu tworzenia, uczenia, wdrażania i aktualizowania modeli uczenia maszynowego oraz skryptów Python .
Informacje na temat obsługiwanych regionów dla systemu Watson Pipelines można znaleźć w sekcji Ograniczenia regionalne dla produktu Cloud Pak for Data as a Service.
Aby zaprojektować potok, który przeciąga węzły na kanwę, należy określić obiekty i parametry, a następnie uruchomić i monitorować rurociąg.
Automatyzacja ścieżki do produkcji
Wprowadzenie modelu do produktu jest procesem wieloetapowym. Dane muszą być ładowane i przetwarzane, modele muszą być wyszkolone i dostrojone, zanim zostaną wdrożone i przetestowane. Modele uczenia maszynowego wymagają większej obserwacji, oceny i aktualizacji w czasie, aby uniknąć bias lub dryftu.
Automatyzacja budowy rurociągu ułatwia budowanie, uruchamianie i ocenę modelu w sposób spójny, skracając czas od poczęcia do produkcji. Można złożyć rurociąg, a następnie szybko aktualizować i testować modyfikacje. Kanwa Pipelines udostępnia narzędzia do wizualizacji rurociągu, dostosowania go w czasie wykonywania za pomocą zmiennych parametrów rurociągu, a następnie uruchamianie go jako zadania próbnego lub w harmonogramie.
Edytor Pipelines umożliwia również bardziej spójną współpracę między naukowcem danych a inżynierem ModelOps . Analitycy danych mogą tworzyć i szkolić model. Inżynier ModelOps może następnie zautomatyzować proces szkolenia, wdrażania i oceny modelu po jego opublikowaniu w środowisku produkcyjnym.
Przypadki użycia i kursy
Watson Pipelines jest częścią kolekcji narzędzi i możliwości IBM Data Fabric w zakresie zarządzania i automatyzacji cyklu życia danych i sztucznej inteligencji. Szczegółowe informacje na temat sposobu, w jaki produkt Data Fabric może obsługiwać cele i operacje uczenia maszynowego w praktyce, zawiera sekcja Przegląd rozwiązania dla sieci Fabric. W celu wykorzystania Watson Pipelines w celu zaaranżowania rozwiązań sztucznej sztucznej inteligencji, należy zapoznać się z następującymi kursami i kursami używalności:
- W sekcji Data science and MLOps use case opisano sposób zarządzania danymi, operacjonalizacją budowania modelu i wdrażania oraz ocenianiem uczciwości i wydajności modelu.
- Data science and MLOps tutorial: Orchestrate an AI pipeline with data integration
- Kurs Data science and MLOps: Orchestrate an AI pipeline with model monitoring
Dalsze kroki
Dodaj potok do projektu i poznajcie narzędzia kanwy.
Dodatkowe zasoby
Więcej informacji na ten temat zawiera sekcja automatyzacja cyklu życia AI przy użyciu przepływu potoku.