Translation not up to date
Za pomocą programu IBM Watson Machine Learningmożna wdrażać modele, skrypty i funkcje, zarządzać wdrożeniami i przygotowywać zasoby aplikacyjne w celu ich wdrożenia w celu generowania predykcji i spostrzeżeń.
Ten rysunek przedstawia typowy proces modelu uczenia maszynowego. Po zbudowaniu modelu uczenia maszynowego i trenowaniu go należy użyć narzędzia Watson Machine Learning , aby wdrożyć model, zarządzać danymi wejściowymi i umieścić zasoby uczenia maszynowego w celu ich użycia.
Architektura i usługi IBM Watson Machine Learning
Watson Machine Learning to usługa w chmurze IBM Cloud z funkcjami szkolenia i wdrażania modeli uczenia maszynowego oraz sieci neuronowych. Oprogramowanie Watson Machine Learning oparte na skalowalnej, otwartej platformie źródłowej opartej na komponentach Kubernetes i Docker umożliwia budowanie, szkolenie, wdrażanie i zarządzanie modelami uczenia maszynowego i uczenia głębokiego oraz zarządzania nimi.
Wdrażanie modeli i zarządzanie nimi za pomocą narzędzia Watson Machine Learning
Watson Machine Learning obsługuje popularne środowiska, w tym: TensorFlow, Scikit-Learn i PyTorch w celu budowania i wdrażania modeli. Listę obsługiwanych środowisk można znaleźć w sekcji Obsługiwane środowiska.
Aby zbudować i szkolić model:
- Należy użyć jednego z narzędzi wymienionych w sekcji Analizowanie danych i modeli budynków.
- Zaimportuj model , który został utworzony i wyszkolony poza programem Watson Studio.
Za pomocą narzędzi dostępnych do wdrożenia, ModelOps, rozwiązań optymalizacyjnych i wysoce zjadliwej grypy ptaków można:
- Wdrażanie zasobów uczenia maszynowego
- Wdrażanie rozwiązań Decision Optimization
- Ocena modeli dla bias
Infrastruktura wdrażania
- Wdróż przeszkolone modele jako usługę Web Service lub w celu przetwarzania wsadowego.
- Wdróż funkcje Python , aby uprościć rozwiązania AI.
Interfejsy programistyczne
- Użyj biblioteki klientaPython , aby pracować ze wszystkimi zasobami aplikacyjnym Watson Machine Learning w notatniku.
- Za pomocą interfejsu API usług REST można wywoływać metody z podstawowych adresów URL dla punktów końcowych interfejsu API Watson Machine Learning .
- Podczas wywoływania interfejsu API należy użyć adresu URL i dodać ścieżkę dla każdej metody w celu utworzenia kompletnego punktu końcowego interfejsu API dla żądań. Szczegółowe informacje na temat sprawdzania punktów końcowych można znaleźć w sekcji Wyszukiwanie punktu końcowego wdrożenia.
Temat nadrzędny: Wdrażanie modeli i zarządzanie nimi