0 / 0
Retourner à la version anglaise de la documentation
Tutoriel d'intégration de données: Orchestration d'un pipeline d'IA avec l'intégration de données

Tutoriel d'intégration de données: Orchestration d'un pipeline d'IA avec l'intégration de données

Suivez ce tutoriel pour créer un pipeline de bout en bout afin de fournir des données concises, prétraitées et à jour stockées dans une source de données externe avec l'essai de matrice de données. Votre objectif est d'utiliser Watson Pipelines pour orchestrer ce flux de travaux de bout en bout afin de générer des résultats automatisés, cohérents et reproductibles. Le pipeline utilise DataStage et AutoAI, qui automatise plusieurs aspects d'un processus de génération de modèle, tels que l'ingénierie des fonctions et l'optimisation des hyperparamètres. AutoAI classe les algorithmes candidats, puis sélectionne le meilleur modèle.

Démarrage rapide: Si vous n'avez pas encore créé l'exemple de projet pour ce tutoriel, accédez à l' exemple de projet Orchestrate an AI Pipeline dans le concentrateur de ressources.

L'histoire de ce tutoriel est que GoldenBank souhaite développer son activité en proposant des renouvellements spéciaux de prêts hypothécaires à taux réduit pour les applications en ligne. Les applications en ligne augmentent le nombre de clients de la banque et réduisent les coûts de traitement des demandes de la banque. L'équipe utilisera Watson Pipelines pour créer un pipeline de données qui fournit des données à jour sur tous les demandeurs d'hypothèque, que les prêteurs peuvent utiliser pour la prise de décision. Les données sont stockées dans Db2 Warehouse. Vous devez préparer les données car elles sont potentiellement incomplètes, obsolètes et peuvent être brouillées ou totalement inaccessibles en raison de la confidentialité des données et des politiques de souveraineté. Ensuite, l'équipe doit générer un modèle d'approbation de prêt hypothécaire à partir de données sécurisées, puis déployer et tester le modèle dans un environnement de préproduction.

L'image animée suivante fournit un aperçu rapide de ce que vous allez accomplir à la fin de ce tutoriel. Vous allez éditer et exécuter un pipeline pour générer et déployer un modèle d'apprentissage automatique. Cliquez sur l'image pour afficher une image plus grande.

Image animée

Aperçu du tutoriel

Dans ce tutoriel, vous exécutez les tâches suivantes :

Regarder une vidéo Regardez cette vidéo pour prévisualiser les étapes de ce tutoriel. Il peut y avoir de légères différences dans l'interface utilisateur affichée dans la vidéo. La vidéo est destinée à être un compagnon du tutoriel écrit.

Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.




  • Utiliser la vidéo image-in-picture

    Astuce: Démarrez la vidéo, puis au fur et à mesure que vous faites défiler le tutoriel, la vidéo passe en mode image-en-image. Fermez la table des matières vidéo pour la meilleure expérience avec l'image en image. Vous pouvez utiliser le mode image-dans-image pour pouvoir suivre la vidéo à mesure que vous effectuez les tâches de ce tutoriel. Cliquez sur les horodatages de chaque tâche à suivre.

    L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:

    Comment utiliser l'image en image et les chapitres

    Obtenir de l'aide dans la communauté

    Si vous avez besoin d'aide pour ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la communautéCloud Pak for Data.

    Configurez les fenêtres de votre navigateur

    Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.

    Tutoriel et interface utilisateur côte à côte

    Astuce: Si vous rencontrez une visite guidée lors de l'exécution de ce tutoriel dans l'interface utilisateur, cliquez sur Peut-être plus tard.

    Retour en haut

  • Inscription à Cloud Pak for Data as a Service (en anglais)

    Vous devez vous inscrire à Cloud Pak for Data as a Service et mettre à disposition les services nécessaires pour le cas d'utilisation d'intégration de données.

    • Si vous disposez d'un compte Cloud Pak for Data as a Service existant, vous pouvez utiliser ce tutoriel. Si vous disposez d'un compte de plan Lite, un seul utilisateur par compte peut exécuter ce tutoriel.
    • Si vous ne disposez pas encore d'un compte Cloud Pak for Data as a Service , inscrivez-vous à un essai de matrice de données.

    icône Vidéo Regardez la vidéo suivante pour en savoir plus sur la matrice de données dans Cloud Pak for Data.

    Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.

    Vérifiez les services mis à disposition nécessaires

    vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:37.

    Procédez comme suit pour vérifier ou mettre à disposition les services nécessaires:

    1. Dans le Cloud Pak for Data Menu de navigation, sélectionnez Services > Instances de service.

    2. Utilisez la liste déroulante Produit pour déterminer s'il existe une instance de service Watson Studio existante.

    3. Si vous devez créer une instance de service Watson Studio, cliquez sur Ajouter un service.

      1. Sélectionnez Watson Studio.

      2. Sélectionnez le plan Lite .

      3. Cliquez sur Créer.

    4. Attendez que le service Watson Studio soit mis à disposition, ce qui peut prendre quelques minutes.

    5. Répétez ces étapes pour vérifier ou mettre à disposition les services supplémentaires suivants :

      • Watson Machine Learning
      • DataStage
      • Cloud Object Storage

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre les instances de service mises à disposition:

    Services mis à disposition

    Créez l'exemple de projet

    vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 01:14.

    Si vous disposez déjà de l'exemple de projet pour ce tutoriel, ignorez cette tâche. Sinon, procédez comme suit :

    1. Accédez à l' exemple de projet de pipeline d'IA pour l'orchestration dans le concentrateur de ressources.

    2. Cliquez sur Créer un projet.

    3. Si vous êtes invité à associer le projet à une instance Cloud Object Storage, sélectionnez une instance Cloud Object Storage dans la liste.

    4. Cliquez sur Créer.

    5. Attendez que l'importation du projet soit terminée, puis cliquez sur Afficher le nouveau projet pour vérifier que le projet et les actifs ont été créés avec succès.

    6. Cliquez sur l'onglet Actifs pour afficher la connexion, les flux DataStage et la définition de données, ainsi que le pipeline.

    Remarque: Vous pouvez voir une visite guidée présentant les tutoriels inclus avec ce cas d'utilisation. Les liens de la visite guidée ouvriront ces instructions de tutoriel.
    Astuce: Si vous ne voyez pas de flux DataStage , revenez voir vos instances de service pour vérifier que votre instance DataStage a été mise à disposition. Voir Mise à disposition des services nécessaires.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre l'onglet Actifs dans l'exemple de projet. Vous êtes maintenant prêt à démarrer le tutoriel.

    L'image suivante montre l'onglet Actifs dans l'exemple de projet.

    Associez le service Watson Machine Learning à l'exemple de projet

    vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 02:04.

    Vous utiliserez Watson Machine Learning pour créer et déployer le modèle. Par conséquent, suivez les étapes ci-après pour associer votre instance de service Watson Machine Learning à l'exemple de projet.

    1. Dans le projet Orchestrate an AI pipeline , cliquez sur l' onglet Gérer.

    2. Cliquez sur la page Services et intégrations .

    3. Cliquez sur Associer un service.

    4. Cochez la case en regard de votre instance de service Watson Machine Learning .

    5. Cliquez sur Associer.

    6. Cliquez sur Annuler pour revenir à la page Services & Intégrations .

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre la page Services et intégrations avec le service Watson Machine Learning répertorié. Vous êtes maintenant prêt à créer l'exemple de projet.

    Associer le service au projet


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 02:26.

    L'exemple de projet inclut plusieurs actifs, notamment une connexion, une définition de données, deux flux DataStage et un pipeline. Pour afficher ces actifs, procédez comme suit:

    1. Cliquez sur l'onglet Actifs dans l'orchestration d'un projet de pipeline d'IA, puis affichez Tous les actifs.

    2. Tous les actifs de données utilisés dans les flux DataStage et le pipeline sont stockés dans une connexion Data Fabric Trial- Db2 Warehouse dans le schéma AI_HYPOTHÈQUE . L'image suivante montre les actifs de cette connexion:

      Tables Db2 Warehouse

    3. Le flux Intégrer les données hypothécaires DataStage intègre des données sur chaque demandeur d'hypothèque, y compris des informations identifiant la personne, avec les détails de sa demande, les scores de crédit, le statut d'acheteur commercial et enfin les prix de la maison choisie par chaque demandeur, puis crée un fichier séquentiel portant le nom Mortgage_Data.csv dans le projet contenant les données jointes. L'image suivante montre le flux Integrate Mortgage Data DataStage .

      Astuce: Si vous ne voyez pas de flux DataStage , revenez voir vos instances de service pour vérifier que votre instance DataStage a été mise à disposition. Voir Mise à disposition des services nécessaires.

      Intégrer le flux de données hypothécaires

    4. Le flux Intégration des approbations d'hypothèque DataStage utilise la sortie du premier flux DataStage (Mortgage_Data.csv) et enrichit davantage les données en intégrant des informations sur chaque approbation d'application d'hypothèque. Le jeu de données résultant est sauvegardé dans le projet avec le nom Mortgage_Data_with_Approvals.csv. L'image suivante montre le flux Intégrer Les Approbations d'hypothèque DataStage :

      Intégrer le flux d'approbations de prêts hypothécaires

    5. La définition de données Definition_Mortgage_Data pour l'actif de données Mortgage_Data_with_Approvals.csv est créée par le flux Intégrer Les Approbations d'hypothèque DataStage . L'image suivante montre la définition de données:

      Données hypothécaires de définition

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre tous les actifs de l'exemple de projet. Vous êtes maintenant prêt à explorer le pipeline dans l'exemple de projet.

    L'image suivante montre tous les actifs de l'exemple de projet.


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 04:00.

    L'exemple de projet inclut un pipeline Watson qui automatise les tâches suivantes:

    • Exécutez deux travaux DataStage existants.

    • Créez une expérimentation AutoAI .

    • Exécutez l'expérimentation AutoAI et sauvegardez le modèle le plus performant qui utilise le fichier de sortie résultant du travail DataStage comme données d'entraînement.

    • Créez un espace de déploiement.

    • Promouvez le modèle sauvegardé dans l'espace de déploiement.

    Procédez comme suit pour explorer le pipeline:

    1. Dans l'onglet Actifs de l'orchestration d'un projet de pipeline d'IA, affichez Tous les actifs.

    2. Cliquez sur Pipeline d'approbation hypothécaire pour ouvrir le pipeline.

    3. Dans la section de début du pipeline, deux travaux DataStage (Intégrer les données hypothécaires et Intégrer les approbations d'hypothèque) s'exécutent en séquence pour combiner diverses tables de la connexion Db2 Warehouse on Cloud dans un ensemble de données cohésif étiqueté qui est utilisé comme données d'apprentissage pour l'expérimentation AutoAI .

    4. Cliquez deux fois sur le noeud Vérifier le statut pour voir la condition. Cette condition est un point de décision dans le pipeline pour confirmer l'achèvement du premier travail DataStage avec la valeur Terminé ou Terminé avec des avertissements. Cliquez sur Annuler pour revenir au pipeline.

    5. Cliquez deux fois sur le noeud Créer une expérimentation AutoAI pour afficher les paramètres. Ce noeud crée une expérimentation AutoAI avec les paramètres.

      1. Passez en revue les valeurs des paramètres suivants:

        • Nom de l'expérimentation AutoAI

        • Portée

        • Type de prévision

        • Colonne de prévision

        • Classe positive

        • Ratio de division des données d'entraînement

        • Algorithmes à inclure

        • Algorithmes à utiliser

        • Métrique d'optimisation

      2. Cliquez sur Annuler pour fermer les paramètres.

    6. Cliquez deux fois sur le noeud Exécuter l'expérimentation AutoAI pour afficher les paramètres. Ce noeud exécute l'expérimentation AutoAI créée à partir du noeud Créer une expérimentation AutoAI qui utilise la sortie du travail Integrate Mortgage Approval DataStage comme données de formation.

      1. Passez en revue les valeurs des paramètres suivants:

        • expérimentation AutoAI

        • Actifs de données d'entraînement

        • Préfixe de nom de modèle

      2. Cliquez sur Annuler pour fermer les paramètres.

    7. Entre les noeuds Exécuter l'expérimentation AutoAI et Créer un espace de déploiement , cliquez deux fois sur le bouton Voulez-vous déployer le modèle? pour voir la condition. La valeur de True pour cette condition est un point de décision dans le pipeline pour continuer à créer l'espace de déploiement. Cliquez sur Annuler pour revenir au pipeline.

    8. Cliquez deux fois sur le noeud Créer un espace de déploiement pour afficher les paramètres. Ce noeud crée un nouvel espace de déploiement avec le nom spécifié et nécessite une entrée pour vos services Cloud Object Storage et Watson Machine Learning .

      1. Vérifiez la valeur du paramètre Nouveau nom d'espace .

      2. Pour la zone Nouveau CRN d'instance COS d'espace , sélectionnez votre instance Cloud Object Storage dans la liste.

      3. Pour la zone New space WML Instance CRN , sélectionnez votre instance Watson Machine Learning dans la liste.

      4. Cliquez sur Sauvegarder.

    9. Cliquez deux fois sur le noeud Promouvoir le modèle dans l'espace de déploiement pour afficher les paramètres. Ce noeud promeut le meilleur modèle à partir du noeud Exécuter l'expérimentation AutoAI vers l'espace de déploiement créé à partir du noeud Créer un espace de déploiement .

      1. Passez en revue les valeurs des paramètres suivants:

        • Actifs source

        • cible

      2. Cliquez sur Annuler pour fermer les paramètres.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre le pipeline initial. Vous êtes maintenant prêt à éditer le pipeline pour ajouter un noeud.

    Pipeline initial


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 06:23.

    Le pipeline crée le modèle, crée un espace de déploiement, puis le promeut dans un espace de déploiement. Vous devez ajouter un noeud pour créer un déploiement en ligne. Procédez comme suit pour éditer le pipeline afin d'automatiser la création d'un déploiement en ligne:

    1. Ajoutez le noeud Créer un déploiement en ligne à l'espace de travail:

      1. Développez la section Créer dans la palette de noeuds.

      2. Faites glisser le noeud Créer un déploiement en ligne sur l'espace de travail et déposez le noeud après le noeud Promouvoir le modèle dans l'espace de déploiement .

    2. Survolez le noeud Promouvoir le modèle dans l'espace de déploiement pour voir la flèche. Connectez la flèche au noeud Créer un déploiement en ligne .

      Remarque: les noms de noeud dans votre pipeline peuvent différer de l'image animée suivante.

      Noeuds de connexion de pipeline

    3. Connectez le commentaire Créer un déploiement en ligne pour le modèle promu au noeud Créer un déploiement en ligne en connectant le cercle de la zone de commentaire au noeud.

      Remarque: les noms de noeud dans votre pipeline peuvent différer de l'image animée suivante.

      Commentaire de pipeline

    4. Cliquez deux fois sur le noeud Créer un déploiement en ligne pour afficher les paramètres.

    5. Remplacez le nom de noeud par Create Online Deployment.

    6. En regard de Actif ML, cliquez sur Sélectionner dans un autre noeud dans le menu.

      Sélectionner à partir d'un autre actif ML de noeud

    7. Sélectionnez le noeud Promouvoir le modèle dans l'espace de déploiement dans la liste. L'ID de noeud winning_model est sélectionné.

    8. Pour Nouveau nom de déploiement, entrez mortgage approval model deployment.

    9. Pour Mode de création, sélectionnez Ecraser.

    10. Cliquez sur Sauvegarder pour sauvegarder les paramètres du noeud Créer un déploiement en ligne .

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre le pipeline terminé. Vous êtes maintenant prêt à exécuter le pipeline.

    Pipeline terminé


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 07:38.

    Maintenant que le pipeline est terminé, procédez comme suit pour l'exécuter:

    1. Dans la barre d'outils, cliquez sur Exécuter le pipeline > Exécuter l'essai.

    2. Sur la page Définir les paramètres de pipeline , sélectionnez True pour le déploiement.

      • Si la valeur est True, le pipeline vérifie le modèle déployé et attribue un score au modèle.

      • Si la valeur est False, le pipeline vérifie que le modèle a été créé dans le projet par l'expérimentation AutoAI et passe en revue les informations du modèle et les métriques d'entraînement.

    3. Si vous exécutez un pipeline pour la première fois, vous êtes invité à fournir une clé d'API. Les actifs de pipeline utilisent votre clé d'API IBM Cloud personnelle pour exécuter des opérations en toute sécurité sans interruption.

      • Si vous disposez d'une clé d'API existante, cliquez sur Utiliser une clé d'API existante, collez la clé d'API, puis cliquez sur Sauvegarder.

      • Si vous ne disposez pas d'une clé d'API existante, cliquez sur Générer une nouvelle clé d'API, indiquez un nom et cliquez sur Sauvegarder. Copiez la clé d'API, puis sauvegardez-la pour une utilisation ultérieure. Lorsque vous avez terminé, cliquez sur Fermer.

    4. Cliquez sur Exécuter pour lancer l'exécution du pipeline.

    5. Faites défiler les journaux consolidés pendant que le pipeline est en cours d'exécution. L'exécution de l'essai peut prendre jusqu'à 10 minutes.

    6. A mesure que chaque opération se termine, sélectionnez le noeud correspondant à cette opération dans l'espace de travail.

    7. Dans l'onglet Inspecteur de noeud , affichez les détails de l'opération.

    8. Cliquez sur l'onglet Sortie de noeud pour afficher un récapitulatif de la sortie de chaque opération de noeud.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre le pipeline une fois l'exécution de l'essai terminée. Vous êtes maintenant prêt à passer en revue les actifs créés par le pipeline.

    Exécution du pipeline terminée


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 09:48.

    Le pipeline a créé plusieurs actifs. Pour afficher les actifs, procédez comme suit:

    1. Cliquez sur le nom de projet Orchestrate an AI pipeline dans la trace de navigation pour revenir au projet.

      Trace de navigation

    2. Dans l'onglet Actifs , affichez Tous les actifs.

    3. Affichez les actifs de données.

      1. Cliquez sur l'actif de données Mortgage_Data.csv . Le travail DataStage a créé cet actif.

      2. Cliquez sur le nom du projet dans la trace de navigation pour revenir à l'onglet Actifs .

      3. Cliquez sur l'actif de données Mortgage_Data_with_Approvals.csv . Le travail DataStage a créé cet actif.

      4. Cliquez sur le nom du projet dans la trace de navigation pour revenir à l'onglet Actifs .

    4. Affichez le modèle.

      1. Cliquez sur l'actif de modèle d'apprentissage automatique commençant par mortgage_approval_best_model. L'expérimentation AutoAI a généré plusieurs modèles candidats et a choisi ce modèle comme meilleur modèle.

      2. Faites défiler les informations du modèle.

      3. Cliquez sur le nom du projet dans la trace de navigation pour revenir à l'onglet Actifs .

    5. Cliquez sur l'onglet Travaux du projet pour afficher des informations sur les deux travaux DataStage et sur les exécutions d'un travail de pipeline.

    6. Dans le Cloud Pak for Data Menu de navigation, sélectionnez Déploiements.

    7. Cliquez sur l'onglet Espaces .

    8. Cliquez sur l'espace de déploiement Mortgage approbation .

    9. Cliquez sur l'onglet Actifs et affichez le modèle déployé en commençant par mortgage_approval_best_model.

    10. Cliquez sur l'onglet Déploiements.

    11. Cliquez sur Déploiement de modèle d'approbation de prêt hypothécaire pour afficher le déploiement.

      1. Affichez les informations dans l'onglet Référence d'API .

      2. Cliquez sur l'onglet Tester.

      3. Cliquez sur l'onglet Entrée JSON et remplacez l'exemple de texte par le texte JSON suivant.

        {
           "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. Cliquez sur Prévoir. Les résultats montrent que le premier candidat ne serait pas approuvé et que le deuxième candidat serait approuvé.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre les résultats du test.

    Prévisions des résultats de test


    Retour en haut

L'équipe de Golden Bank a utilisé Watson Pipelines pour créer un pipeline de données qui fournit des données à jour sur tous les demandeurs d'hypothèque et un modèle d'apprentissage automatique que les prêteurs peuvent utiliser pour la prise de décision.

Nettoyage (facultatif)

Si vous souhaitez reprendre ce tutoriel, supprimez les artefacts suivants.

Artefact Comment supprimer
Déploiement du modèle d'approbation de prêt hypothécaire dans l'espace de déploiement d'approbation de prêt hypothécaire Supprimez un déploiement
Espace de déploiement d'approbation de prêt hypothécaire Supprimer un espace de déploiement
Orchestrez un exemple de projet de pipeline d'IA Supprimer un projet

Etapes suivantes

En savoir plus

Rubrique parent: Tutoriels de cas d'utilisation

Recherche et réponse à l'IA générative
Ces réponses sont générées par un modèle de langue de grande taille dans watsonx.ai en fonction du contenu de la documentation du produit. En savoir plus