Pipelinesエディタを使えば、アセットの作成からデプロイまでのエンドツーエンドのフローをグラフィカルなキャンバス上でオーケストレーションできます。 機械学習モデルと Python スクリプトを作成、トレーニング、デプロイ、更新するパイプラインを組み立て、構成できます。
ノードをキャンバス上にドラッグし、オブジェクトとパラメータを指定してパイプラインを設計し、パイプラインを実行して監視します。
実動へのパスの自動化
モデルを製品に組み込むことは、複数のステップからなるプロセスです。 データをロードし、処理し、モデルをトレーニングし、評価してから、配備し、テストしなければならない。 AI実験、データ分析、機械学習モデルはすべて、偏りやドリフトを避けるために、より多くの観察、評価、時間の経過に伴う更新を必要とする。
次の図は、作成可能な多くのフローのうち、自動化できるモデルのライフサイクルの一例を示しています。
パイプラインを自動化することができる：
- さまざまな内部ソースや外部接続からのデータを安全にロードし、処理します。
- モデルや実行スクリプトの構築、実行、評価、デプロイを一貫した方法で行うことで、望む結果を得ることができます。
- は、分岐を作成することでフローのパスを簡単に実行し、結果を直接視覚的に収集します。
パイプラインは以下のような実験を実行することができる：
- AutoAI エクスペリメント
- Jupyter Notebook求人
- Data Refinery
- SPSS Modeler求人
構想から本番までの時間を短縮するために、パイプラインを組み立て、修正を迅速に更新してテストすることができます。 パイプライン・キャンバスには、パイプラインを視覚化し、パイプライン・パラメーター変数を使用して実行時にカスタマイズし、試用ジョブとして実行するか、スケジュールに従って実行するためのツールが用意されています。
パイプライン編集ツールを使用して、データ サイエンティストと ModelOps エンジニアのコラボレーションをより一貫性のあるものにします。 データ・サイエンティストは、モデルを作成してトレーニングできます。 これにより、 ModelOps エンジニアは、モデルが実稼働環境に公開された後に、モデルのトレーニング、デプロイ、および評価のプロセスを自動化できます。
使用例とチュートリアル
オーケストレーション・パイプラインは、IBM watsonx.aiのエクスペリエンスに、自然言語の使用を取り入れたAIソリューションと並行して統合することもできる。 オーケストレーション・パイプラインを使ってAIソリューションをオーケストレーションする実際の使用例やチュートリアルについては、こちらをご覧ください：
その他のリソース
詳しくは、 パイプライン・フローによる AI ライフサイクルの自動化に関するこのブログ・ポストを参照してください。
詳細情報
- プロジェクトにパイプラインを追加して、キャンバスツールを使いこなす。
- 組み込みのサンプルパイプラインを実行して、実際にパイプラインフローを実行してみます。
- パイプラインを作成して、カスタマイズしたシナリオのエンドツーエンドのフローを作成します。
- パイプラインの実行と保存パイプラインをアセットとして管理します。