0 / 0
Zurück zur englischen Version der Dokumentation
Lernprogramm zur Datenintegration: Eine KI-Pipeline mit Datenintegration koordinieren

Lernprogramm zur Datenintegration: Eine KI-Pipeline mit Datenintegration koordinieren

Verwenden Sie dieses Lernprogramm, um eine End-to-End-Pipeline zu erstellen, um kompakte, vorverarbeitete und aktuelle Daten bereitzustellen, die in einer externen Datenquelle mit dem Data Fabric-Test gespeichert sind. Ihr Ziel ist es, Orchestrierungspipelines zu verwenden, um diesen End-to-End-Workflow zu orchestrieren, um automatisierte, konsistente und reproduzierbare Ergebnisse zu generieren. Die Pipeline verwendet DataStage und AutoAI, das verschiedene Aspekte für einen Modellerstellungsprozess wie Feature-Engineering und Hyperparameteroptimierung automatisiert. AutoAI ordnet Kandidatenalgorithmen an und wählt dann das beste Modell aus.

Schnelleinstieg: Wenn Sie das Beispielprojekt für dieses Lernprogramm noch nicht erstellt haben, greifen Sie auf das Beispielprojekt für die Orchestrierung einer KI-Pipeline im Ressourcenhub zu.

Die Geschichte des Lernprogramms ist, dass die GoldenBank ihre Geschäftstätigkeit erweitern möchte, indem sie spezielle Niedrigzinshypothekenverlängerungen für Online-Anwendungen anbietet. Online-Anwendungen erweitern die Kundenreichweite der Bank und reduzieren die Kosten der Antragsbearbeitung. Das Team wird Orchestration Pipelines verwenden, um eine Datenpipeline zu erstellen, die aktuelle Daten über alle Hypothekenbewerber liefert, die Kreditgeber für die Entscheidungsfindung verwenden können. Die Daten werden in Db2 Warehousegespeichert. Sie müssen die Daten vorbereiten, da sie möglicherweise unvollständig, veraltet und möglicherweise verschlüsselt oder aufgrund von Datenschutz-und Souveränitätsrichtlinien nicht zugänglich sind. Anschließend muss das Team ein Hypothekengenehmigungsmodell aus vertrauenswürdigen Daten erstellen und das Modell anschließend in einer Vorproduktionsumgebung bereitstellen und testen.

Das folgende animierte Bild bietet eine kurze Vorschau dessen, was Sie am Ende dieses Lernprogramms erreichen werden. Sie werden eine Pipeline bearbeiten und ausführen, um ein Modell für maschinelles Lernen zu erstellen und bereitzustellen. Klicken Sie auf das Bild, um ein größeres Bild anzuzeigen.

Animiertes Bild

Vorschau des Lernprogramms anzeigen

In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:

Video ansehen Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Möglicherweise gibt es geringfügige Unterschiede in der Benutzerschnittstelle, die im Video angezeigt wird. Das Video ist als Begleiter zum schriftlichen Lernprogramm gedacht.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.





Tipps zum Durcharbeiten dieses LernprogrammsIm Folgenden finden Sie einige Tipps für den erfolgreichen Abschluss dieses Lernprogramms.

Verwenden Sie das Videobild im Bild

Tipp: Starten Sie das Video. Wenn Sie dann durch das Lernprogramm blättern, wechselt das Video in den Bildmodus. Schließen Sie das Video-Inhaltsverzeichnis für die beste Erfahrung mit Bild-in-Bild. Sie können den Modus "Bild im Bild" verwenden, damit Sie dem Video folgen können, während Sie die Tasks in diesem Lernprogramm ausführen. Klicken Sie auf die Zeitmarken für jede zu befolgende Task.

Die folgende animierte Abbildung zeigt, wie die Funktionen für Videobilder und Inhaltsverzeichnisse verwendet werden:

Verwendung von Bildern und Kapiteln

Hilfe in der Community anfordern

Wenn Sie Hilfe bei diesem Lernprogramm benötigen, können Sie eine Frage stellen oder eine Antwort im Diskussionsforum derCloud Pak for Data Communityfinden.

Browserfenster einrichten

Damit Sie dieses Lernprogramm optimal nutzen können, öffnen Sie Cloud Pak for Data in einem Browserfenster und lassen Sie diese Lernprogrammseite in einem anderen Browserfenster geöffnet, um einfach zwischen den beiden Anwendungen zu wechseln. Es empfiehlt sich, die beiden Browserfenster nebeneinander anzuordnen, um die weitere Arbeit zu erleichtern.

Paralleles Lernprogramm und Benutzerschnittstelle

Tipp: Wenn Sie beim Durcharbeiten dieses Lernprogramms in der Benutzerschnittstelle auf eine geführte Tour stoßen, klicken Sie auf Vielleicht später.



Voraussetzungen einrichten

Für Cloud Pak for Data as a Service anmelden

Sie müssen sich für Cloud Pak for Data as a Service registrieren und die erforderlichen Services für den Anwendungsfall der Datenintegration bereitstellen.

  • Wenn Sie über ein Cloud Pak for Data as a Service -Konto verfügen, können Sie mit diesem Lernprogramm beginnen. Wenn Sie über ein Lite-Plankonto verfügen, kann nur ein Benutzer pro Konto dieses Lernprogramm ausführen.
  • Wenn Sie noch kein Konto für Cloud Pak for Data as a Service haben, melden Sie sich für einen Data-Fabric-Test an.

Symbol 'Video' Sehen Sie sich das folgende Video an, um mehr über das Datenfabric in Cloud Pak for Data.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

Erforderliche bereitgestellte Services überprüfen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:37an.

Führen Sie die folgenden Schritte aus, um die erforderlichen Services zu überprüfen oder bereitzustellen:

  1. Wählen Sie im Navigationsmenü Cloud Pak for Data Navigationsmenüdie Optionen Services > Serviceinstanzen.

  2. Verwenden Sie die Dropdown-Liste Produkt , um festzustellen, ob eine vorhandene Watson Studio -Serviceinstanz vorhanden ist.

  3. Wenn Sie eine Watson Studio-Serviceinstanz erstellen müssen, klicken Sie auf Service hinzufügen.

    1. Wählen Sie Watson Studioaus.

    2. Wählen Sie den Plan Lite aus.

    3. Klicken Sie auf Erstellen.

  4. Warten Sie, bis der Watson Studio -Service bereitgestellt wurde. Dies kann einige Minuten dauern.

  5. Wiederholen Sie diese Schritte, um die folgenden zusätzlichen Services zu überprüfen oder bereitzustellen:

    • Watson Machine Learning
    • DataStage
    • Cloud Object Storage

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die bereitgestellten Serviceinstanzen:

Bereitgestellte Services

Beispielprojekt erstellen

Vorschau-Lernprogrammvideo Eine Vorschau zu dieser Task sehen Sie, wenn Sie die Wiedergabe des Videos bei 01:14 starten.

Wenn Sie das Beispielprojekt für dieses Lernprogramm bereits haben, überspringen Sie diese Task. Andernfalls führen Sie die folgenden Schritte aus:

  1. Greifen Sie auf das Orchestrate an AI pipeline sample project im Ressourcenhub zu.

  2. Klicken Sie auf Projekt erstellen.

  3. Wenn Sie aufgefordert werden, das Projekt einer Cloud Object Storage-Instanz zuzuordnen, wählen Sie in der Liste eine Cloud Object Storage-Instanz aus.

  4. Klicken Sie auf Erstellen.

  5. Warten Sie, bis der Projektimport abgeschlossen ist, und klicken Sie auf Neues Projekt anzeigen , um zu überprüfen, ob das Projekt und die Assets erfolgreich erstellt wurden.

  6. Klicken Sie auf die Registerkarte Assets , um die Verbindung, DataStage -Abläufe und Datendefinition sowie die Pipeline anzuzeigen.

Hinweis: Sie sehen möglicherweise eine geführte Tour mit den Lernprogrammen, die in diesem Anwendungsfall enthalten sind. Die Links in der geführten Tour öffnen diese Lernprogrammanweisungen.
Tipp: Wenn keine DataStage -Abläufe angezeigt werden, kehren Sie zurück, um Ihre Serviceinstanzen anzuzeigen und zu überprüfen, ob Ihre DataStage -Instanz erfolgreich bereitgestellt wurde. Siehe Bereitstellung der erforderlichen Services.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die Registerkarte 'Assets' im Beispielprojekt. Sie können jetzt das Lernprogramm starten.

Die folgende Abbildung zeigt die Registerkarte 'Assets' im Beispielprojekt.

Ordnen Sie den Service Watson Machine Learning dem Beispielprojekt zu

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 02:04an.

Sie verwenden Watson Machine Learning , um das Modell zu erstellen und bereitzustellen. Führen Sie die folgenden Schritte aus, um Ihre Watson Machine Learning -Serviceinstanz dem Beispielprojekt zuzuordnen.

  1. Klicken Sie im Projekt Orchestrate an AI pipeline auf die Registerkarte Verwalten.

  2. Klicken Sie auf die Seite Services und Integrationen .

  3. Klicken Sie auf Service zuordnen.

  4. Aktivieren Sie das Kontrollkästchen neben Ihrer Watson Machine Learning -Serviceinstanz.

  5. Klicken Sie auf Zuordnen.

  6. Klicken Sie auf Abbrechen , um zur Seite Services und Integrationen zurückzukehren.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die Seite Services und Integrationen mit dem aufgelisteten Watson Machine Learning -Service. Sie können das Beispielprojekt jetzt erstellen.

Service dem Projekt zuordnen




Aufgabe 1: Assets im Beispielprojekt anzeigen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 02:26an.

Das Beispielprojekt enthält mehrere Assets einschließlich einer Verbindung, einer Datendefinition, zwei DataStage -Flows und einer Pipeline. Führen Sie die folgenden Schritte aus, um diese Assets anzuzeigen:

  1. Klicken Sie auf die Registerkarte Assets im Projekt für die Orchestrierung einer KI-Pipeline und zeigen Sie dann Alle Assetsan.

  2. Alle Datenassets, die in den DataStage -Flows und der Pipeline verwendet werden, werden in einer Data Fabric Trial- Db2 Warehouse -Verbindung im Schema AI_MORTGAGE gespeichert. Die folgende Abbildung zeigt die Assets aus dieser Verbindung:

    Db2 Warehouse -Tabellen

  3. Der DataStage -Ablauf Hypothekendaten integrieren integriert Daten zu jedem Hypothekenantragsteller, einschließlich personenbezogener Daten, mit ihren Anwendungsdetails, Scorewerten, dem Status als gewerblicher Käufer und schließlich den Preisen der ausgewählten Wohnung jedes Antragstellers und erstellt anschließend eine sequenzielle Datei mit dem Namen Mortgage_Data.csv in dem Projekt, das die verknüpften Daten enthält. Die folgende Abbildung zeigt den DataStage -Ablauf Hypothekendaten integrieren .

    Tipp: Wenn keine DataStage -Abläufe angezeigt werden, kehren Sie zurück, um Ihre Serviceinstanzen anzuzeigen und zu überprüfen, ob Ihre DataStage -Instanz erfolgreich bereitgestellt wurde. Siehe Bereitstellung der erforderlichen Services.

    Hypothekendatenfluss integrieren

  4. Der DataStage -Ablauf Hypothekengenehmigungen integrieren verwendet die Ausgabe des ersten DataStage -Ablaufs (Mortgage_Data.csv) und reichert die Daten weiter an, indem Informationen zu jeder Hypothekenanwendungsgenehmigung integriert werden. Die Ergebnisdatei wird im Projekt mit dem Namen Mortgage_Data_with_Approvals.csvgespeichert. Die folgende Abbildung zeigt den DataStage -Ablauf Hypothekengenehmigungen integrieren :

    Ablauf für Hypothekengenehmigungen integrieren

  5. Die Datendefinition Definition_Mortgage_Data für das Mortgage_Data_with_Approvals.csv -Datenasset wird vom DataStage -Ablauf Hypothekengenehmigungen integrieren erstellt. Die folgende Abbildung zeigt die Datendefinition:

    Definition Hypothekendaten

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt alle Assets im Beispielprojekt. Sie können nun die Pipeline im Beispielprojekt erkunden.

Die folgende Abbildung zeigt alle Assets im Beispielprojekt.




Aufgabe 2: Vorhandene Pipeline untersuchen

Vorschau-Lernprogrammvideo Eine Vorschau zu dieser Task sehen Sie, wenn Sie die Wiedergabe des Videos bei 04:00 starten.

Das Beispielprojekt enthält Orchestrierungs-Pipelines, die die folgenden Tasks automatisieren:

  • Zwei vorhandene DataStage -Jobs ausführen

  • Erstellen Sie ein AutoAI -Experiment.

  • Führen Sie das Experiment AutoAI aus und speichern Sie das Modell mit der besten Leistung, das die resultierende Ausgabedatei aus dem DataStage -Job als Trainingsdaten verwendet.

  • Erstellen Sie einen Bereitstellungsbereich.

  • Stufen Sie das gespeicherte Modell in den Bereitstellungsbereich hoch.

Führen Sie die folgenden Schritte aus, um die Pipeline zu erkunden:

  1. Zeigen Sie auf der Registerkarte Assets im Orchestrate-AI-Pipeline-Projekt Alle Assetsan.

  2. Klicken Sie auf Pipeline für Hypothekengenehmigung , um die Pipeline zu öffnen.

  3. Im Anfangsabschnitt der Pipeline werden zwei DataStage -Jobs (Hypothekendaten integrieren und Hypothekengenehmigungen integrieren) nacheinander ausgeführt, um verschiedene Tabellen aus der Db2 Warehouse on Cloud -Verbindung in einem zusammenhängenden beschrifteten Dataset zu kombinieren, das als Trainingsdaten für das AutoAI -Experiment verwendet wird.

  4. Doppelklicken Sie auf den Knoten Status prüfen , um die Bedingung anzuzeigen. Diese Bedingung ist ein Entscheidungspunkt in der Pipeline, um den Abschluss des ersten DataStage -Jobs mit dem Wert Abgeschlossen oder Mit Warnungen abgeschlossenzu bestätigen. Klicken Sie auf Abbrechen , um zur Pipeline zurückzukehren.

  5. Doppelklicken Sie auf den Knoten AutoAI -Experiment erstellen , um die Einstellungen anzuzeigen. Dieser Knoten erstellt ein AutoAI -Experiment mit den Einstellungen.

    1. Überprüfen Sie die Werte für die folgenden Einstellungen:

      • Name des AutoAI-Experiments

      • Bereich

      • Vorhersagetyp

      • Vorhersagespalte

      • Positive Klasse

      • Aufteilungsverhältnis der Trainingsdaten

      • Einzuschließende Algorithmen

      • Zu verwendende Algorithmen

      • Metrik optimieren

    2. Klicken Sie auf Abbrechen , um die Einstellungen zu schließen.

  6. Doppelklicken Sie auf den Knoten AutoAI -Experiment ausführen , um die Einstellungen anzuzeigen. Dieser Knoten führt das Experiment AutoAI aus, das über den Knoten Create AutoAI Experiment erstellt wird, der die Ausgabe des Jobs Integration Mortgage Approval DataStage als Trainingsdaten verwendet.

    1. Überprüfen Sie die Werte für die folgenden Einstellungen:

      • AutoAI-Experiment

      • Trainingsdatenassets

      • Modellnamenspräfix

    2. Klicken Sie auf Abbrechen , um die Einstellungen zu schließen.

  7. Doppelklicken Sie zwischen den Knoten Experiment AutoAI ausführen und Bereitstellungsbereich erstellen auf Möchten Sie das Modell bereitstellen? um die Bedingung anzuzeigen. Der Wert True für diese Bedingung ist ein Entscheidungspunkt in der Pipeline, um mit der Erstellung des Bereitstellungsbereichs fortzufahren. Klicken Sie auf Abbrechen , um zur Pipeline zurückzukehren.

  8. Doppelklicken Sie auf den Knoten Bereitstellungsbereich erstellen , um die Einstellungen anzuzeigen. Dieser Knoten erstellt einen neuen Bereitstellungsbereich mit dem angegebenen Namen und erfordert Eingaben für Ihre Cloud Object Storage -und Watson Machine Learning -Services.

    1. Überprüfen Sie den Wert für die Einstellung Neuer Bereichsname .

    2. Wählen Sie für das Feld CRN für neue COS-Bereichsinstanz Ihre Cloud Object Storage -Instanz aus der Liste aus.

    3. Wählen Sie für das Feld CRN für neue WML-Bereichsinstanz Ihre Watson Machine Learning -Instanz aus der Liste aus.

    4. Klicken Sie auf Speichern.

  9. Doppelklicken Sie auf den Knoten Modell in Bereitstellungsbereich hochstufen , um die Einstellungen anzuzeigen. Dieser Knoten stuft das beste Modell vom Knoten AutoAI -Experiment ausführen in den Bereitstellungsbereich hoch, der vom Knoten Bereitstellungsbereich erstellen erstellt wurde.

    1. Überprüfen Sie die Werte für die folgenden Einstellungen:

      • Quellenassets

      • Ziel

    2. Klicken Sie auf Abbrechen , um die Einstellungen zu schließen.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die ursprüngliche Pipeline. Sie können jetzt die Pipeline bearbeiten, um einen Knoten hinzuzufügen.

Ursprüngliche Pipeline




Aufgabe 3: Knoten zur Pipeline hinzufügen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 06:23an.

Die Pipeline erstellt das Modell, erstellt einen Bereitstellungsbereich und stuft ihn anschließend in einen Bereitstellungsbereich hoch. Sie müssen einen Knoten hinzufügen, um eine Onlinebereitstellung zu erstellen. Führen Sie die folgenden Schritte aus, um die Pipeline zu bearbeiten, um die Erstellung einer Onlinebereitstellung zu automatisieren:

  1. Fügen Sie den Knoten Create Online Deployment (Onlinebereitstellung erstellen) zum Erstellungsbereich hinzu:

    1. Erweitern Sie den Abschnitt Erstellen in der Knotenpalette.

    2. Ziehen Sie den Knoten Onlinebereitstellung erstellen in den Erstellungsbereich und legen Sie den Knoten nach dem Knoten Modell in Bereitstellungsbereich hochstufen ab.

  2. Bewegen Sie den Mauszeiger über den Knoten Modell in Bereitstellungsbereich hochstufen , um den Pfeil anzuzeigen. Verbinden Sie den Pfeil mit dem Knoten Create online deployment .

    Hinweis: Die Knotennamen in Ihrer Pipeline können sich von dem folgenden animierten Bild unterscheiden.

    Pipeline-Verbindungsknoten

  3. Verbinden Sie den Kommentar Create online deployment for promoted model mit dem Knoten Create online deployment , indem Sie den Kreis im Kommentarfeld mit dem Knoten verbinden.

    Hinweis: Die Knotennamen in Ihrer Pipeline können sich von dem folgenden animierten Bild unterscheiden.

    Pipeline-Kommentar

  4. Doppelklicken Sie auf den Knoten Create online deployment , um die Einstellungen anzuzeigen.

  5. Ändern Sie den Knotennamen in Create Online Deployment.

  6. Klicken Sie neben ML-Assetim Menü auf Aus einem anderen Knoten auswählen .

    Aus einem anderen Knoten-ML-Asset auswählen

  7. Wählen Sie in der Liste den Knoten Modell in Bereitstellungsbereich hochstufen aus. Die Knoten-ID winning_model ist ausgewählt.

  8. Geben Sie für Neuer Implementierungsname mortgage approval model deploymentein.

  9. Wählen Sie für Erstellungsmodusdie Option Überschreibenaus.

  10. Klicken Sie auf Speichern , um die Einstellungen des Knotens Onlinebereitstellung erstellen zu speichern.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die abgeschlossene Pipeline. Sie können die Pipeline jetzt ausführen.

Abgeschlossene Pipeline




Aufgabe 4: Pipeline ausführen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 07:38an.

Führen Sie nach Abschluss der Pipeline die folgenden Schritte aus, um die Pipeline auszuführen:

  1. Klicken Sie in der Symbolleiste auf Pipeline ausführen > Testlauf.

  2. Wählen Sie auf der Seite Pipelineparameter definieren True für die Bereitstellung aus.

    • Wenn Truefestgelegt ist, überprüft die Pipeline das bereitgestellte Modell und bewertet das Modell.

    • Wenn der Wert auf Falsegesetzt ist, überprüft die Pipeline, ob das Modell im Projekt vom Experiment AutoAI erstellt wurde, und überprüft die Modellinformationen und Trainingsmetriken.

  3. Wenn Sie zum ersten Mal eine Pipeline ausführen, werden Sie aufgefordert, einen API-Schlüssel anzugeben. 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.

  4. Klicken Sie auf Ausführen , um die Ausführung der Pipeline zu starten.

  5. Blättern Sie durch konsolidierte Protokolle, während die Pipeline ausgeführt wird. Die Testausführung kann bis zu 10 Minuten dauern.

  6. Wählen Sie nach Abschluss jeder Operation den Knoten für diese Operation im Erstellungsbereich aus.

  7. Zeigen Sie auf der Registerkarte Node Inspector die Details der Operation an.

  8. Klicken Sie auf die Registerkarte Knotenausgabe , um eine Zusammenfassung der Ausgabe für jede Knotenoperation anzuzeigen.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die Pipeline nach Abschluss der Testausführung. Sie können nun die von der Pipeline erstellten Assets überprüfen.

Ausführung der Pipeline abgeschlossen




Aufgabe 5. Assets, implementiertes Modell und Onlinebereitstellung anzeigen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 09:48an.

Die Pipeline hat verschiedene Assets erstellt. Führen Sie die folgenden Schritte aus, um die Assets anzuzeigen:

  1. Klicken Sie auf den Projektnamen Orchestrate an AI pipeline im Navigationspfad, um zum Projekt zurückzukehren.

    Navigationspfad

  2. Zeigen Sie auf der Registerkarte Assets Alle Assetsan.

  3. Datenassets anzeigen.

    1. Klicken Sie auf das Datenasset Mortgage_Data.csv . Der DataStage -Job hat dieses Asset erstellt.

    2. Klicken Sie auf den Projektnamen im Navigationspfad, um zur Registerkarte Assets zurückzukehren.

    3. Klicken Sie auf das Datenasset Mortgage_Data_with_Approvals.csv . Der DataStage -Job hat dieses Asset erstellt.

    4. Klicken Sie auf den Projektnamen im Navigationspfad, um zur Registerkarte Assets zurückzukehren.

  4. Zeigen Sie das Modell an.

    1. Klicken Sie auf das Asset des Modells für maschinelles Lernen, das mit mortgage_approval_best_modelbeginnt. Das Experiment AutoAI hat mehrere Modellkandidaten generiert und dieses als das beste Modell ausgewählt.

    2. Blättern Sie durch die Modellinformationen.

    3. Klicken Sie auf den Projektnamen im Navigationspfad, um zur Registerkarte Assets zurückzukehren.

  5. Klicken Sie auf die Registerkarte Jobs im Projekt, um Informationen zu den beiden DataStage -Jobs und einer Pipeline-Jobausführung anzuzeigen.

  6. Wählen Sie im Navigationsmenü Cloud Pak for Data Navigationsmenüdie Option Bereitstellungen.

  7. Klicken Sie auf die Registerkarte Bereiche .

  8. Klicken Sie auf den Bereitstellungsbereich Hypothekengenehmigung .

  9. Klicken Sie auf die Registerkarte Assets und sehen Sie das bereitgestellte Modell beginnend mit mortgage_approval_best_model.

  10. Klicken Sie auf die Registerkarte Bereitstellungen.

  11. Klicken Sie auf Bereitstellung des Hypothekengenehmigungsmodells , um die Bereitstellung anzuzeigen.

    1. Zeigen Sie die Informationen auf der Registerkarte API-Referenz an.

    2. Klicken Sie auf die Registerkarte Test.

    3. Klicken Sie die Registerkarte JSON-Eingabe an und ersetzen Sie den Beispieltext durch den folgenden JSON-Text.

      {
         "input_data": [
             {
                     "fields": [
                             "ID",
                             "NAME",
                             "STREET_ADDRESS",
                             "CITY",
                             "STATE",
                             "STATE_CODE",
                             "ZIP_CODE",
                             "EMAIL_ADDRESS",
                             "PHONE_NUMBER",
                             "GENDER",
                             "SOCIAL_SECURITY_NUMBER",
                             "EDUCATION",
                             "EMPLOYMENT_STATUS",
                             "MARITAL_STATUS",
                             "INCOME",
                             "APPLIEDONLINE",
                             "RESIDENCE",
                             "YRS_AT_CURRENT_ADDRESS",
                             "YRS_WITH_CURRENT_EMPLOYER",
                             "NUMBER_OF_CARDS",
                             "CREDITCARD_DEBT",
                             "LOANS",
                             "LOAN_AMOUNT",
                             "CREDIT_SCORE",
                             "CRM_ID",
                             "COMMERCIAL_CLIENT",
                             "COMM_FRAUD_INV",
                             "FORM_ID",
                             "PROPERTY_CITY",
                             "PROPERTY_STATE",
                             "PROPERTY_VALUE",
                             "AVG_PRICE"
                     ],
                     "values": [
                             [
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     "Bachelor",
                                     "Employed",
                                     null,
                                     144306,
                                     null,
                                     "Owner Occupier",
                                     15,
                                     19,
                                     2,
                                     7995,
                                     1,
                                     1483220,
                                     437,
                                     null,
                                     false,
                                     false,
                                     null,
                                     null,
                                     null,
                                     111563
                             ],
                             [
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     null,
                                     "High School",
                                     "Employed",
                                     null,
                                     45283,
                                     null,
                                     "Private Renting",
                                     11,
                                     13,
                                     1,
                                     1232,
                                     1,
                                     7638,
                                     706,
                                     null,
                                     false,
                                     false,
                                     null,
                                     null,
                                     null,
                                     547262
                             ]
                     ]
             }
         ]
      }
      
    4. Klicken Sie auf Vorhersage. Die Ergebnisse zeigen, dass der erste Antragsteller nicht zugelassen wird und der zweite Antragsteller genehmigt wird.

Symbol für Prüfpunkt Fortschritt überprüfen

Die folgende Abbildung zeigt die Ergebnisse des Tests.

Vorhersagen der Testergebnisse



Das Team der Golden Bank verwendete Orchestration Pipelines, um eine Datenpipeline zu erstellen, die aktuelle Daten zu allen Hypothekenantragstellern und ein Modell für maschinelles Lernen liefert, das Kreditgeber für die Entscheidungsfindung verwenden können.


Bereinigung (optional)

Wenn Sie dieses Lernprogramm wiederholen möchten, löschen Sie die folgenden Artefakte.

Artefakt Vorgehensweise zum Löschen
Bereitstellung des Hypothekengenehmigungsmodells im Bereitstellungsbereich für Hypothekengenehmigungen Bereitstellung löschen
Bereitstellungsbereich für Hypothekengenehmigung Bereitstellungsbereich löschen
Beispielprojekt für eine KI-Pipeline koordinieren Projekt löschen

Nächste Schritte

Weitere Informationen

Übergeordnetes Thema: Lernprogramme für Anwendungsfälle

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen