watsonx.aiランタイムPythonクライアントのサンプルと例

最終更新: 2025年7月09日

watsonx.aiRuntimePythonライブラリを使用したサンプルJupyterNotebook をレビューし、使用して、機械学習の機能とテクニックをデモンストレーションします。各ノートブックには学習目標がリストされているため、目標に最も適したものを見つけることができます。

ノートブックからのモデルのトレーニングおよびデプロイ

ノートブックで機械学習モデルを作成する場合は、 Jupyter Notebookでのコーディングに慣れている必要があります。 Jupyter ノートブックは、対話式計算処理のための Web ベースの環境です。データを処理する小さなコード断片を実行して、計算結果を即時に表示することができます。このツールを使えば、データを扱うために必要なすべてのビルディングブロックを組み立て、テストし、実行し、データをwatsonx.aiRuntimeに保存し、モデルをデプロイすることができます。

サンプル・ノートブックでの学習

モデルを作成してトレーニングしてからデプロイするには、さまざまな方法があります。したがって、最良の学習方法は、さまざまなフレームワークを使用してプロセスをステップスルーするアノテーション付きサンプルを調べることです。主要な機能を示す代表的なサンプルを確認します。

サンプルは、watsonx.ai Pythonクライアント・ライブラリの V4バージョンを使用して構築されています。

Jupyter ノートブックで機械学習モデルをトレーニング、デプロイ、およびテストする方法については、このビデオをご覧ください。このビデオは、 「デプロイメント・サンプル」 表にある 「scikit-learn を使用して手書きの数字を認識する」 をミラーリングします。

このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。

このビデオでは、Jupyter Notebookで watsonx.aiRuntime APIを使ってAutoAIで作成したモデルをテストする方法をご紹介します。

このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。

役立つ変数

事前定義された PROJECT_ID 環境変数を使用して、 watsonx.ai Python クライアント API を呼び出します。 PROJECT_ID は、環境が実行されているプロジェクトのガイドです。

デプロイメントのサンプル

これらのJupyterNotebookを見たり実行したりして、様々なフレームワークを使ってテクニックがどのように実装されているかを見てみましょう。一部のサンプルはトレーニング済みモデルを使用しています。これらのモデルもパブリック・リポジトリーからダウンロードできます。

重要:

デプロイメント作成および管理するための API 呼び出しは現在、 entity および metadata オブジェクト・フィールドに重複したフィールドを返します。この動作は現在では非推奨となっている。 2025年8月5日以降、これらのフィールドは、 GET、 GET ALL、 CREATE 、 PATCH API ：

name
space_id
project_id
tags
description

混乱を避けるには、デプロイメント API レスポンスを現在処理しているコードを更新する必要があります。例えば、これがあなたのコードだとする：

data = response.json()
name = data["entity"]["name"]

これを更新しなければならない：

data = response.json()
name = data["metadata"]["name"]

注:

メインナビゲーションメニューからリソースハブを選択すると、リソースハブにアクセスできます。

サンプル・ノートブック
サンプル名	フレームワーク	例示される手法
scikit-learnとカスタムライブラリを使用して温度を予測する	Scikit-learn	カスタム定義トランスフォーマを使ってモデルをトレーニングするカスタム定義トランスフォーマとモデルをwatsonx.aiRuntime リポジトリに永続化 watsonx.aiRuntime Service を使ってモデルをデプロイするデプロイされたモデルを使った予測を実行する
PMMLを使ってアイリスの種類を予測する	PMML	PMML モデルをデプロイして評価する
手書きの数字を認識するには、 Python 機能を使用します	Python	関数を使用してサンプル・モデルを保管してから、そのサンプル・モデルをデプロイします。
scikit-learnを使って手書きの数字を認識する	Scikit-learn	sklearn モデルの学習学習済みモデルをwatsonx.aiランタイムリポジトリに永続化クライアントライブラリを使用してモデルをオンラインスコアリング用にデプロイクライアントライブラリを使用してサンプルレコードをスコアリング
顧客離れを予測するためにSparkとデプロイメント使用する	Spark	CSV ファイルをApache SparkDataFrame にロードするデータを探索するトレーニングと評価のためにデータを準備する Apache Spark機械学習パイプラインを作成するモデルをトレーニングして評価する watsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する plotly パッケージを使用して予測結果を探索し可視化する watsonx.aiRuntime API を使用してバッチスコアリングのためにモデルをデプロイする
信用リスクを予測するためにSparkと Python	Spark	CSV ファイルをApache® SparkDataFrame にロードするデータを探索するトレーニングと評価のためにデータを準備する tar.gzファイルからwatsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する watsonx.aiRuntime API を使ってオンラインスコアリングのためにモデルをデプロイする watsonx.aiRuntime API を使ってサンプルデータをスコアリングする plotly パッケージを使って予測結果を探索し、可視化する
SPSS を使って顧客離れを予測する	SPSS	インスタンスを操作します。 SPSS モデルのオンライン・デプロイメントを実行します。デプロイされたモデルを使用してデータをスコアリングします。
XGBoostを使って腫瘍を分類する	XGBoost	CSV ファイルを numpy 配列にロードするデータを探索するトレーニングと評価のためにデータを準備する XGBoost 機械学習モデルを作成するモデルをトレーニングして評価するモデルのハイパーパラメータを最適化するために交差検証を使用するモデルをwatsonx.aiランタイムリポジトリに永続化するオンラインスコアリングのためにモデルをデプロイするサンプルデータをスコアリングする
自動車ビジネスの予測	Spark	外部で学習されたKerasモデルとデータセットをダウンロードします。外部モデルをwatsonx.aiRuntime リポジトリに永続化する。' クライアントライブラリを使用して、オンラインスコアリング用にモデルをデプロイする。' クライアントライブラリを使用してサンプルレコードをスコアリングする。
ソフトウェア仕様の Python 機能を展開	コア	Python 関数を作成する Web サービスを作成するモデルをスコアする
Machine Learning アーティファクト管理	コア	成果物のエクスポートおよびインポート外部で作成されたモデルのロード、デプロイ、およびスコアリング
Decision Optimization、食事計画を立てる	コア	Decision Optimization を使用して栄養計画モデルを作成する
Db2 を使って SPSS とバッチデプロイメント行い、顧客離れを予測する	SPSS	CSV ファイルをApache SparkDataFrame にロードするデータを探索するトレーニングと評価のためにデータを準備する tar.gzファイルからwatsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する watsonx.aiRuntime API を使ってオンラインスコアリングのためにモデルをデプロイする watsonx.aiRuntime API を使ってサンプルデータをスコアリングする plotly パッケージを使って予測結果を探索し可視化する
scikit-learnとAIのライフサイクル機能を使って、ibm- watsonx -aiでカリフォルニア州の住宅価格を予測する	Scikit-learn	外部で学習された scikit-learn モデルとデータセットをダウンロード外部モデルを watsonx.ai ランタイムリポジトリに永続化クライアントライブラリを使用してオンラインスコアリング用にモデルをデプロイクライアントライブラリを使用してサンプルレコードをスコアリング以前に永続化されたモデルを更新モデルをインプレースで再デプロイデプロイメントスケールする
モデルモニタリングのためのScikit-learnを用いたドイツの信用リスク予測	Scikit-learn	モニタリングによる信用リスク予測モデルをトレーニング、作成、およびデプロイする
ドイツの信用リスクモデルを監視する	Scikit-learn	IBM Watson OpenScale 機能を使用した信用リスク予測モデルをトレーニング、作成、およびデプロイする
ONNXニューラルネットワークを固定軸からダイナミック軸に変換し、ibm- watsonx -ai で使用する	ONNX	環境のセットアップ ' 基本ONNXモデルの作成とエクスポート ' モデルを固定軸から動的軸に変換 ' 変換したONNXモデルの永続化 ' ONNXモデルのデプロイと採点 ' クリーンアップ ' まとめと次のステップ
Obm- watsonx -ai で PyTorch から変換した ONNX モデルを使用する	ONNX	データセットでPyTorchモデルを作成する。 PyTorchモデルを ONNX 形式に変換する ' 変換したモデルをWatson Machine Learningリポジトリに永続化する。クライアントライブラリを使ってオンライン採点用のモデルをデプロイする。クライアント・ライブラリーを使用して、サンプル・レコードを評価する。
TensorFlow から変換した ONNX モデルを使って、ibm- watsonx -ai で手書きの数字を認識する	ONNX	外部で訓練されたTensorFlowモデルとデータセットをダウンロードする。 TensorFlowモデルをONNX形式に変換する ' 変換したモデルをWatson Machine Learningのリポジトリに永続化する。クライアントライブラリを使ってオンライン採点用のモデルをデプロイする。クライアント・ライブラリーを使用して、サンプル・レコードを評価する。

AutoAI のサンプル

以下の Jupyter ノートブックを表示または実行し、AutoAI モデルの手法がどのように実装されるかを確認します。

注:

メインナビゲーションメニューからリソースハブを選択すると、リソースハブにアクセスできます。

サンプル・ノートブック
サンプル名	フレームワーク	例示される手法
AutoAI と Lale を使って信用リスクを予測する	Lale を使用したハイブリッド (AutoAI)	watsonx.aiランタイム実験と連携し、AutoAIモデルをトレーニングする ' トレーニングされたモデルの品質を比較し、さらなる改良のために最適なモデルを選択する ' 最適なモデルを改良し、新しいバリエーションをテストする ' トレーニングされたモデルをデプロイし、スコアリングする
AutoAI、信用リスクを予測する	ハイブリッド (AutoAI)	watsonx.aiランタイム実験と連携し、AutoAIモデルをトレーニングする ' トレーニングされたモデルの品質を比較し、さらなる改良のために最適なモデルを選択する ' 最適なモデルを改良し、新しいバリエーションをテストする ' トレーニングされたモデルをデプロイし、スコアリングする