È possibile orchestrare un flusso end-to-end di risorse, dalla creazione alla distribuzione, su una tela grafica con l'editor Pipelines. È possibile assemblare e configurare una pipeline per creare, addestrare, distribuire e aggiornare i modelli di apprendimento automatico e gli script Python.
Progettare una pipeline trascinando i nodi sull'area di disegno, specificando oggetti e parametri, quindi eseguire e monitorare la pipeline.
Automatizzare il percorso verso la produzione
L'inserimento di un modello in un prodotto è un processo a più fasi. I dati devono essere caricati ed elaborati, i modelli devono essere addestrati e valutati prima di essere distribuiti e testati. Gli esperimenti di IA, l'analisi dei dati e i modelli di apprendimento automatico richiedono tutti una maggiore osservazione, valutazione e aggiornamento nel tempo per evitare distorsioni o derive.
Il grafico seguente mostra un esempio di ciclo di vita di un modello che è possibile automatizzare tra i molti flussi che si possono creare.
È possibile automatizzare la pipeline per:
- caricare ed elaborare i dati in modo sicuro da un'ampia gamma di fonti interne e connessioni esterne.
- ottenere i risultati desiderati costruendo, eseguendo, valutando e distribuendo modelli o script di esecuzione in modo coeso.
- semplificano l'esecuzione dei percorsi del vostro flusso creando rami e raccogliendo i risultati con visualizzazioni dirette.
Le pipeline possono eseguire esperimenti che includono, ma non si limitano a:
- Esperimenti di autoIA
- Lavori Jupyter Notebook
- Offerte di lavoro Data Refinery
- Offerte di lavoro SPSS Modeler
Per ridurre i tempi dalla concezione alla produzione, è possibile assemblare la pipeline e aggiornare e testare rapidamente le modifiche. L'area di disegno Pipeline fornisce strumenti per visualizzare la pipeline, personalizzarla al runtime con le variabili del parametro della pipeline e quindi eseguirla come un lavoro di prova o in base a una pianificazione.
Utilizzate gli strumenti di modifica delle pipeline per una collaborazione più coesa tra un data scientist e un ingegnere ModelOps. Un data scientist può creare e formare un modello. Un ingegnere ModelOps può quindi rendere automatico il processo di formazione, distribuzione e valutazione del modello dopo che è stato pubblicato in un ambiente di produzione.
Casi d'uso ed esercitazioni
Anche le pipeline di orchestrazione possono essere integrate nell'esperienza di IBM watsonx.ai accanto a soluzioni di IA che incorporano l'uso del linguaggio naturale. Per i casi d'uso reali e le esercitazioni sull'uso delle Orchestration Pipeline per l'orchestrazione di soluzioni di intelligenza artificiale, vedere:
Ulteriori risorse
Per ulteriori informazioni, consulta questo post del blog sull' automazione del ciclo di vita AI con un flusso di pipeline.
Ulteriori informazioni
- Aggiungere una pipeline al proprio progetto e conoscere gli strumenti dell'area di disegno.
- Eseguire la pipeline di esempio integrata per provare a eseguire un flusso di pipeline pratico.
- Creare una pipeline per creare un flusso end-to-end del vostro scenario personalizzato.
- Esecuzione e salvataggio delle pipeline per gestire le pipeline come risorse.