Creación de modelos ML en watsonx.ai y puntuación por lotes con Spark en el acelerador watsonx.data

El acelerador Building ML models in watsonx.ai and batch scoring with Spark in watsonx.data le guía a través del flujo de trabajo integral de entrenamiento y persistencia de modelos ML en watsonx.ai y de la puntuación por lotes de esos modelos con Spark a escala en watsonx.data.

Pruebe este acelerador para configurar un flujo de trabajo integral de formación y persistencia de modelos ML en watsonx.ai y, a continuación, puntúelos por lotes a escala con Spark en watsonx.data.

Para empezar, inicie sesión en el hub de recursos y cree un nuevo proyecto basado en el proyecto de ejemplo Building ML models in watsonx.ai and batch scoring with Spark in watsonx.data.

Este acelerador proporciona un patrón e implementación de ML escalable que utiliza una canalización para automatizar el ciclo de vida de la IA de principio a fin, desde la carga de datos, el entrenamiento de modelos, la selección del mejor resultado hasta la persistencia del mejor modelo en un repositorio de modelos. Cree y configure el flujo una vez y, a continuación, ejecútelo a petición o según un calendario, sin tener que interactuar con herramientas y activos individuales.

Se incluyen los siguientes procesos:

• Carga de datos de entrenamiento
• Entrenamiento de un modelo ML de scikit-learn o de un modelo AutoAI en un conjunto de datos de entrenamiento común
• Comparación de los resultados y selección del mejor modelo. A continuación, persistencia del modelo en el repositorio de modelos
• Transformar el modelo en un modelo Spark utilizando UDF y, a continuación, realizar la puntuación por lotes a escala en este modelo

Este gráfico muestra una vista de canalización de este flujo de trabajo:

Este gráfico muestra un diagrama arquitectónico detallado del patrón ML escalable que utiliza el acelerador Building ML models in watsonx.ai and batch scoring with Spark in watsonx.data :