Translation not up to date
Użytkownik może wyświetlić i uruchomić wbudowany przykładowy potok, który wykorzystuje dane przykładowe, aby dowiedzieć się, jak zautomatyzować przepływy uczenia maszynowego w systemie Watson Pipelines.
Co się dzieje w przykładowym gazociągu?
Przykładowy potok pobiera dane o szkoleniach, potrenuje model uczenia maszynowego przy użyciu narzędzia AutoAI i wybiera najlepszy potok, który ma zostać zapisany jako model. Następnie model jest kopiowany do miejsca wdrożenia, w którym jest wdrażany.
Przykład ilustruje, w jaki sposób można zautomatyzować przepływ na całej trasie, aby cykl życia był łatwiejszy do uruchomienia i monitorowania.
Przykładowy potok wygląda następująco:
Kurs prowadzi użytkownika przez ten proces:
Wymagania wstępne
Aby uruchomić ten przykład, należy najpierw utworzyć:
- Projekt, w którym można uruchomić przykładowy potok.
- Obszar wdrażania, w którym można wyświetlać i testować wyniki. W celu uruchomienia przykładowego potoku wymagane jest miejsce wdrożenia.
Podgląd tworzenia i uruchamiania przykładowego potoku
Obejrzyj ten film wideo, aby zobaczyć, jak utworzyć i uruchomić przykładowy potok.
Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.
Tworzenie przykładowego potoku
Utwórz przykładowy potok w edytorze Pipelines.
Otwórz projekt, w którym ma zostać utworzony potok.
Na karcie Zasoby kliknij opcję Nowy zasób > Pipeliny.
Wprowadź unikalną nazwę potoku. Na przykład wpisz Przykład marketingowy Banku.
Kliknij przycisk Utwórz , aby otworzyć kanwę.
Kliknij kartę Przykład galerii , a następnie wybierz Harmonizowanie eksperymentu AutoAI.
Uruchamianie przykładowego potoku
Aby uruchomić przykładowy potok:
Kliknij opcję Uruchom potok na pasku narzędzi kanwy, a następnie wybierz opcję Przebieg próbny.
Po wyświetleniu monitu o podanie wartości parametru potoku deployment_space wybierz miejsce wdrożenia.
Kliknij opcję Wybierz obszar.
Rozwiń sekcję Spaces (Obszary).
Wybierz obszar wdrażania.
Kliknij przycisk Wybierz.
Podaj klucz API, jeśli ta okazja jest pierwszym razem z uruchomionym rurociągiem. Zasoby rurociągów używają osobistego klucza API IBM Cloud do bezpiecznego uruchamiania operacji bez zakłócania pracy.
Jeśli używany jest istniejący klucz API, kliknij opcję Użyj istniejącego klucza API, wklej klucz interfejsu API i kliknij przycisk Zapisz.
Jeśli nie masz istniejącego klucza interfejsu API, kliknij opcję Generuj nowy klucz API, podaj nazwę i kliknij przycisk Zapisz. Skopiuj klucz interfejsu API, a następnie zapisz klucz API w celu późniejszego użycia. Po zakończeniu kliknij przycisk Zamknij.
Kliknij przycisk Uruchom , aby uruchomić potok.
Przeglądanie wyników
Po zakończeniu działania potoku można wyświetlić wyniki w celu wyświetlenia wyników.
Otwórz obszar wdrażania, który został określony jako część potoku. Nowe wdrożenie zostanie wyświetlone w obszarze:
Aby przetestować wdrożenie, należy użyć strony Test obszaru wdrażania w celu przesłania danych ładunku w formacie JSON i uzyskania wyniku z powrotem. Na przykład kliknij kartę JSON i wprowadź dane wejściowe:
{"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"]]}]}
Po kliknięciu opcji Predyktmodel generuje wynik z zaufaniem dla predykcji, czy klient zasubskrybuje termin promocji depozytów terminowych.
W tym przypadku przewidywanie "nie" towarzyszy punktowi ufności bliskiego 95%, przewidując, że klient najprawdopodobniej nie zasubskrybuje się do depozytu terminowego.
Eksplorowanie przykładowych węzłów i konfiguracji
Uzyskaj głębsze zrozumienie sposobu, w jaki przykładowe węzły zostały skonfigurowane do pracy w programie koncertowym w próbce potoku.
Wyświetlanie parametru potoku
Parametr potoku określa ustawienie dla całego potoku. W przykładowym potoku parametr potoku jest używany do określenia miejsca wdrożenia, w którym model zapisany z eksperymentu AutoAI jest przechowywany i wdrożony. Zostanie wyświetlona zachęta do wybrania obszaru wdrażania, do którego ma zostać wyświetlony parametr potoku.
Kliknij ikonę Obiekty globalne na pasku narzędzi obszaru roboczego, aby wyświetlić lub utworzyć parametry potoku. W przykładowym potoku parametr potoku ma nazwę deployment_space i jest typu Space. Aby wyświetlić szczegóły, należy kliknąć nazwę parametru potoku. W przykładzie parametr potoku jest używany wraz z węzłem Utwórz plik danych i węzłem Utwórz eksperyment AutoAI .
Ładowanie danych uczących dla eksperymentu AutoAI
W tym kroku węzeł Utwórz plik danych jest skonfigurowany w taki sposób, aby uzyskać dostęp do zestawu danych dla eksperymentu. Kliknij węzeł, aby wyświetlić konfigurację. Plik danych to bank-marketing-data.csv
, który zawiera przykładowe dane, które pozwalają przewidzieć, czy klient banku zarejestuje się w celu dokonania wpłaty za dany termin. Dane znajdują się w zasobniku Cloud Object Storage i mogą być odświeżane w celu zachowania aktualizacji modelu.
Opcja | Wartość |
---|---|
Plik | Położenie zasobu danych na potrzeby szkolenia w ramach eksperymentu AutoAI . W tym przypadku plik danych znajduje się w projekcie. |
Ścieżka do pliku | Nazwa zasobu, bank-marketing-data.csv . |
Zasięg docelowy | W przypadku tego przykładu celem jest miejsce wdrożenia. |
Tworzenie eksperymentu AutoAI
Węzeł do tworzenia eksperymentu AutoAI jest skonfigurowany z następującymi wartościami:
Opcja | Wartość |
---|---|
Nazwa eksperymentu AutoAI | onboarding-bank-marketing-predykcja |
Zakres | W przypadku tego przykładu celem jest miejsce wdrożenia. |
Typ predykcji | binarna |
Kolumna predykcji (etykieta) | y |
Klasa dodatnia | tak |
Podział danych uczących | 0.9 |
Algorytmy do włączenia | GradientBoostingClassifierEstimator XGBClassifierEstimator |
Algorytmy do użycia | 1 |
Metryka do optymalizacji | ROC AUC |
Optymalizuj pomiar (opcjonalnie) | domyślny |
Specyfikacja sprzętu (opcjonalnie) | domyślny |
Opis eksperymentu AutoAI | Ten eksperyment wykorzystuje plik przykładowy, który zawiera dane tekstowe zebrane z rozmów telefonicznych do banku portugalskiego w odpowiedzi na kampanię marketingową. Celem klasyfikacji jest przewidywanie, czy klient zasubskrybuje depozyt terminowy, reprezentowany przez zmienną y. |
Znaczniki eksperymentu AutoAI (opcjonalne) | Brak |
Tryb tworzenia (opcjonalnie) | domyślny |
Te opcje definiują eksperyment, który wykorzystuje dane marketingowe banku do przewidywania, czy klient może zarejestrować się w promocji.
Uruchamianie eksperymentu AutoAI
W tym kroku węzeł Uruchom eksperyment AutoAI uruchamia eksperyment AutoAI onboarding-bank-marketing-prediction, pociągi rurociągów, a następnie zapisuje najlepszy model.
Opcja | Wartość |
---|---|
Eksperyment AutoAI | Pobiera dane wyjściowe z węzła Create AutoAI jako dane wejściowe, aby uruchomić eksperyment. |
Zasoby danych uczących | Pobiera dane wyjściowe z węzła Utwórz plik danych jako dane wejściowe dla eksperymentu. |
Liczba modeli | 1 |
Zasób danych Holdout (opcjonalnie) | Brak |
Liczba modeli (opcjonalnie) | 3 |
Nazwa uruchomienia (opcjonalnie) | Brak |
Przedrostek nazwy modelu (opcjonalnie) | Brak |
Opis uruchomienia (opcjonalnie) | Brak |
Znaczniki uruchamiania (opcjonalne) | Brak |
Tryb tworzenia (opcjonalnie) | domyślny |
Strategia błędów (opcjonalnie) | domyślny |
Wdrażanie modelu w usłudze Web Service
Węzeł Tworzenie wdrożenia WWW tworzy wdrożenie w trybie z połączeniem o nazwie onboarding-bank-marketing-prediction-deployment , dzięki czemu można dostarczyć dane i uzyskać predykcje z powrotem w czasie rzeczywistym z punktu końcowego interfejsu API usług REST.
Opcja | Wartość |
---|---|
Zasób ML | Pobiera dane wyjściowe najlepszego modelu z węzła Uruchom AutoAI jako dane wejściowe, aby utworzyć wdrożenie. |
Nazwa wdrożenia | onboarding-bank-marketing-przewidywanie-wdrożenie |
Temat nadrzędny: IBM Watson Pipelines