Sie können eine integrierte Beispielpipeline anzeigen und ausführen, die Beispieldaten verwendet, um zu lernen, wie Abläufe für maschinelles Lernen in Orchestration Pipelines automatisiert werden.
Was passiert in der Beispielpipeline?
Die Beispielpipeline ruft Trainingsdaten ab, trainiert ein Modell für maschinelles Lernen mithilfe des Tools AutoAI und wählt die beste Pipeline zum Speichern als Modell aus. Das Modell wird dann in einen Bereitstellungsbereich kopiert, in dem es bereitgestellt wird.
Das Beispiel veranschaulicht, wie Sie einen End-to-End-Fluss automatisieren können, damit der Lebenszyklus einfacher ausgeführt und überwacht werden kann.
Die Beispielpipeline sieht wie folgt aus:
Das Lernprogramm führt Sie schrittweise durch diesen Prozess:
Voraussetzungen
Zum Ausführen dieses Beispiels müssen Sie zuerst Folgendes erstellen:
- Ein Projekt, in dem Sie die Beispielpipeline ausführen können.
- Einen Bereitstellungsbereich, in dem Sie die Ergebnisse anzeigen und testen können Der Bereitstellungsbereich ist für die Ausführung der Beispielpipeline erforderlich.
Vorschau zum Erstellen und Ausführen der Beispielpipeline
Dieses Video zeigt, wie eine Beispielpipeline erstellt und ausgeführt wird.
Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.
Beispielpipeline erstellen
Erstellen Sie die Beispielpipeline im Pipelines-Editor.
Öffnen Sie das Projekt, in dem die Pipeline erstellt werden soll.
Von dem Vermögenswerte auf Neues Asset > Modelllebenszyklus automatisieren .
Klicken Sie auf die Registerkarte Resource hub sample und wählen Sie das Experiment AutoAI koordinierenaus.
Geben Sie einen Namen für die Pipeline ein. Geben Sie beispielsweise Bank marketing sampleein.
Klicken Sie auf Erstellen , um den Erstellungsbereich zu öffnen.
Beispielpipeline ausführen
So führen Sie die Beispielpipeline aus:
Klicken Sie in der Symbolleiste des Erstellungsbereichs auf Pipeline ausführen und wählen Sie dann Testausführungaus.
Wählen Sie einen Bereitstellungsbereich aus, wenn Sie zur Eingabe eines Werts für den Pipelineparameter deployment_space aufgefordert werden.
Klicken Sie auf Bereich auswählen.
Erweitern Sie den Abschnitt Bereiche .
Wählen Sie Ihren Bereitstellungsbereich aus.
Klicken Sie auf Auswählen.
Geben Sie einen API-Schlüssel an, wenn Sie zum ersten Mal eine Pipeline ausführen. Pipeline-Assets verwenden Ihren persönlichen IBM Cloud -API-Schlüssel, um Operationen ohne Unterbrechung sicher auszuführen.
Wenn Sie einen vorhandenen API-Schlüssel haben, klicken Sie auf Vorhandenen API-Schlüssel verwenden, fügen Sie den API-Schlüssel ein und klicken Sie auf Speichern.
Wenn kein API-Schlüssel vorhanden ist, klicken Sie auf Neuen API-Schlüssel generieren, geben Sie einen Namen an und klicken Sie auf Speichern. Kopieren Sie den API-Schlüssel und speichern Sie den API-Schlüssel zur späteren Verwendung. Klicken Sie anschließend auf Schließen.
Klicken Sie auf Ausführen, um die Pipeline zu starten.
Ergebnisse prüfen
Wenn die Pipelineausführung abgeschlossen ist, können Sie die Ausgabe anzeigen, um die Ergebnisse anzuzeigen.
Öffnen Sie den Bereitstellungsbereich, den Sie als Teil der Pipeline angegeben haben. Die neue Bereitstellung wird im Bereich angezeigt:
Wenn Sie die Bereitstellung testen möchten, verwenden Sie die Seite Test des Bereitstellungsbereichs, um Nutzdaten im JSON-Format zu übergeben und einen Score abzurufen. Klicken Sie beispielsweise auf die Registerkarte JSON und geben Sie die folgenden Eingabedaten ein:
{"input_data": [{"fields": ["age","job","marital","education","default","balance","housing","loan","contact","day","month","duration","campaign","pdays","previous","poutcome"],"values": [["30","unemployed","married","primary","no","1787","no","no","cellular","19","oct","79","1","-1","0","unknown"]]}]}
Wenn Sie auf Vorhersagenklicken, generiert das Modell eine Ausgabe mit einem Verlässlichkeitsscore für die Vorhersage, ob ein Kunde eine Termineinlageaktion abonniert hat.
In diesem Fall geht die Vorhersage von "Nein" mit einem Verlässlichkeitsscore von nahe 95% einher und sagt voraus, dass der Kunde höchstwahrscheinlich keine Termineinlage abonnieren wird.
Beispielknoten und -konfiguration untersuchen
Machen Sie sich mit den folgenden Schritten ein besseres Bild, wie die Beispielknoten so konfiguriert sind, dass sie im Pipelinebeispiel funktionieren.
- Pipelineparameter anzeigen
- Trainingsdaten für das Experiment AutoAI laden
- Experiment AutoAI erstellen
- AutoAI-Experiment ausführen
- Modell in einem Web-Service bereitstellen
Pipelineparameter anzeigen
Ein Pipelineparameter gibt eine Einstellung für die gesamte Pipeline an. In der Beispielpipeline wird ein Pipelineparameter verwendet, um einen Bereitstellungsbereich anzugeben, in dem das aus dem AutoAI -Experiment gespeicherte Modell gespeichert und bereitgestellt wird. Sie werden aufgefordert, den Bereitstellungsbereich auszuwählen, zu dem der Pipelineparameter verlinkt.
Klicken Sie auf das Symbol für globale Objekte 
in der Symbolleiste des Erstellungsbereichs, um Pipelineparameter anzuzeigen oder zu erstellen. In der Beispielpipeline hat der Pipelineparameter den Namen Bereitstellungsbereich und den Typ Leerzeichen. Klicken Sie auf den Namen des Pipelineparameters, um die Details anzuzeigen. Im Beispiel wird der Pipelineparameter mit dem Knoten Datendatei erstellen und dem Knoten AutoAI-Experiment erstellen verwendet.
Trainingsdaten für das Experiment AutoAI laden
In diesem Schritt wird ein Knoten Datendatei erstellen Knoten für den Zugriff auf das Dataset für das Experiment konfiguriert. Klicken Sie auf den Knoten, um die Konfiguration anzuzeigen. Die Datendatei ist bank-marketing-data.csv. Sie enthält Beispieldaten, mit denen vorhergesagt werden kann, ob sich ein Bankkunde für eine Termineinlage anmeldet. Die Daten bleiben in einem Cloud Object Storage -Bucket und können aktualisiert werden, um das Modelltraining auf dem neuesten Stand zu halten.
| Option | Wert |
|---|---|
| Datei | Die Position des Datenassets für das Training des Experiments AutoAI . In diesem Fall befindet sich die Datendatei in einem Projekt. |
| Dateipfad | Der Name des Assets, bank-marketing-data.csv |
| Zielbereich | Bei diesem Beispiel ist das Ziel ein Bereitstellungsbereich. |
Experiment AutoAI erstellen
Der Knoten für AutoAI-Experiment erstellen wird mit den folgenden Werten konfiguriert:
| Option | Wert |
|---|---|
| Name des AutoAI-Experiments | onboarding-bank-marketing-prediction |
| Bereich | Bei diesem Beispiel ist das Ziel ein Bereitstellungsbereich. |
| Vorhersagetyp | Binär |
| Vorhersagespalte (Bezeichnung) | y |
| Positive Klasse | yes |
| Trainingsdatenaufteilung | 0.9 |
| Einzuschließende Algorithmen | GradientBoostingClassifierEstimator XGBClassifierEstimator |
| Zu verwendende Algorithmen | 1 |
| Metrik zum Optimieren | ROC AUC |
| Metrik optimieren (optional) | Standard |
| Hardwarespezifikation (optional) | Standard |
| AutoAI-Experimentbeschreibung | In diesem Experiment wird eine Beispieldatei verwendet, die Textdaten enthält, die von Telefonanrufen an eine portugiesische Bank als Reaktion auf eine Marketingkampagne erfasst werden. Das Klassifikationsziel besteht darin, vorherzusagen, ob ein Kunde eine Termeinzahlung abonniert, die durch die Variable y dargestellt wird. |
| AutoAI -Experimenttags (optional) | Ohne |
| Erstellungsmodus (optional) | Standard |
Diese Optionen definieren ein Experiment, das die Marketingdaten der Bank nutzt, um vorherzusagen, ob ein Kunde wahrscheinlich an einer Werbeaktion teilnehmen wird.
AutoAI-Experiment ausführen
In diesem Schritt führt der Knoten AutoAI-Experiment ausführen das AutoAI-Experiment onboarding-bank-marketing-prediction aus, trainiert die Pipelines und speichert dann das beste Modell.
| Option | Wert |
|---|---|
| AutoAI-Experiment | Übernimmt die Ausgabe des Knotens AutoAI als Eingabe für die Ausführung des Experiments. |
| Datenassets trainieren | Übernimmt die Ausgabe des Knotens Datendatei erstellen als Trainingsdateneingabe für das Experiment. |
| Modellanzahl | 1 |
| Modellanzahl (optional) | 3 |
| Holdout-Datenasset (optional) | Ohne |
| Ausführungsname (optional) | Ohne |
| Präfix für Modellnamen (optional) | Ohne |
| Ausführungsbeschreibung (optional) | Ohne |
| Tags ausführen (optional) | Ohne |
| Erstellungsmodus (optional) | Standard |
| Fehlerrichtlinie (optional) | Standard |
Modell in einem Web-Service bereitstellen
Der Knoten Webbereitstellung erstellen erstellt eine Onlinebereitstellung mit dem Namen onboarding-bank-marketing-prediction-deployment , damit Sie Daten bereitstellen und Vorhersagen vom REST-API-Endpunkt in Echtzeit abrufen können.
| Option | Wert |
|---|---|
| ML-Asset | Verwendet die beste Modellausgabe des Knotens AutoAI als Eingabe für die Erstellung der Implementierung. |
| Implementierungsname | onboarding-bank-marketing-prediction-deployment |
Übergeordnetes Thema: IBM Orchestration Pipelines