クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする

データとAutoAI実験を保存するプロジェクトが必要です。 サンドボックス・プロジェクトを使うことも、プロジェクトを作成することもできる。

1. ナビゲーションメニューから、プロジェクト > すべてのプロジェクト表示をを選択します。

2. サンドボックスプロジェクトを開く。 新しいプロジェクトを使いたい場合：

   1. 新規プロジェクトをクリックしてください。

   2. 「空のプロジェクトの作成」を選択します。

   3. プロジェクトの名前と任意の説明を入力します。

   4. 既存の オブジェクト・ストレージ・サービス・インスタンス を選択するか、または新規作成します。

   5. 「作成」 をクリックします。

3. プロジェクトが開始したら、 管理 タブをクリックし、 サービスと統合 ページを選択してください。

   このタスクをプレビューするには、ビデオの00:07からご覧ください。

   1. IBM servicesタブで、Associateサービスをクリックします。

   2. watsonx.aiランタイムインスタンスを選択します。 watsonx.aiRuntime サービスインスタンスがまだプロビジョニングされていない場合は、以下の手順に従ってください：

      1. 新規サービスをクリックします。

      2. watsonx.aiランタイムを選択します。

      3. 「作成」 をクリックします。

      4. リストから新しいサービス・インスタンスを選択する。

   3. サービスを関連付けるをクリックします。

   4. 必要に応じて、キャンセルをクリックし、サービス & 統合ページに戻ります。

詳細情報やビデオの視聴については、 「プロジェクトの作成」を参照してください。
関連サービスに関する詳細については、 「関連サービスの追加」を参照してください。

このタスクをプレビューするには、ビデオの00:18からご覧ください。

このチュートリアルでは、サンプルノートブックを使用します。 以下の手順に従って、サンプルノートブックをプロジェクトに追加してください：

1. リソース ハブの「sckit-learn を使用して手書きの数字を認識する」ノートブックにアクセスします。

2. プロジェクトに追加をクリックしてください。

3. リストからプロジェクトを選択し、 追加をクリックしてください。

4. ノートブックの名前と説明を確認します (オプション)。

5. このノートブックのランタイム環境を選択してください。

6. 「作成」 をクリックします。 ノートブック・エディターがロードされるまで待ちます。

7. メニューからKernel > Restart & Clear Outputをクリックし、Restart and Clear All Outputsをクリックして確認すると、最後に保存した実行の出力がクリアされます。

このタスクをプレビューするには、 00:44から始まるビデオをご覧ください。

ノートブックの最初のセクションでは、IBM Cloudの認証情報とwatsonx.aiRuntime サービスインスタンスの場所を指定して環境をセットアップします。 以下の手順に従って、ノートブックの環境をセットアップしてください：

1. 環境のセットアップ セクションまでスクロールします。

2. API キーとロケーションを取得する方法を選択してください。

   • コマンド・プロンプトからノートブックの IBM Cloud CLI コマンドを実行します。

   • IBM Cloud コンソールを使用してください。

     1. IBM Cloudコンソールの API キー セクションを起動し、 API キーを作成します。

     2. IBM Cloudリソース リストにアクセスし、 watsonx.aiランタイム サービス インスタンスを表示して、場所をメモします。

     3. 正しいエンドポイントについては、 watsonx.ai のランタイムAPIドキュメントを参照してください。 URL。 例えば、ダラスはアメリカ南部にある。

3. API キーと場所をセル 1 に貼り付けます。

4. 実行アイコンをクリックして、セル 1 と 2 のコードを実行します。

5. セル3を実行してibm-watson-machine-learningパッケージをインストールする。

6. セル4を実行してAPIクライアントをインポートし、認証情報を使用してAPIクライアントのインスタンスを作成する。

7. client.spaces.list(limit=10)というコードでセルを実行すると、既存のすべてのデプロイメントスペースのリストが表示されます。 配置スペースがない場合は、以下の手順に従ってください：

   1. watsonx 配置で別のタブを開きます。

   2. ナビゲーション メニューから、 「デプロイメント」をクリックします。

   3. 新規デプロイメント・スペースをクリックしてください。

   4. デプロイメントの名前と説明 (オプション) を追加します。

   5. 作成をクリックしてから、 新規スペースの表示をクリックしてください。

   6. 「管理」 タブをクリックします。

   7. Space GUID をコピーしてタブを閉じると、この値が space_id になります。

8. 適切な配置スペースIDをコピーして、コードspace_id = 'PASTE YOUR SPACE ID HERE'のセルに貼り付け、そのセルとコードclient.set.default_space(space_id)のセルを実行してデフォルトのスペースを設定します。

このタスクをプレビューするには、ビデオの02:14からご覧ください。

これですべての環境変数がセットアップされたので、ノートブックの残りのセルを実行できる。 以下の手順に従って、コメントを読み、セルを実行し、出力を確認する：

1. データを調べるセクションのセルを実行します。

2. Create a scikit-learn model セクションのセルを実行してください。

   1. データを 3 つのデータ・セット (トレーニング、テスト、およびスコア) に分割して準備します。

   2. パイプラインを作成します。

   3. モデルをトレーニングします。

   4. テスト・データを使用してモデルを評価します。

3. Persist locally created scikit-learn model セクションのセルを実行して、モデルを公開し、モデルの詳細を取得し、すべてのモデルを取得します。

   注:

   Python 3.11 でランタイム 24.1 を使っている場合は、software_spec_uid を runtime-24.1-py3.11 に、scikit-learn のバージョンを scikit-learn-1.3 に変更する必要があります。

4. Deploy and score セクションのセルを実行して、オンラインデプロイメントを作成し、デプロイメントの詳細を取得し、デプロイされたモデルにスコアリング要求を送信して予測を確認します。

5. ファイル > 保存をクリックします。

このタスクをプレビューするには、ビデオの04:07からご覧ください。

また、配置スペースからモデルの配置を直接表示することもできます。 以下の手順に従って、スペースに配備されたモデルをテストしてください。

1. ナビゲーション メニューから、 「デプロイメント」をクリックします。

2. スペースタブをクリックします。

3. リストから適切なデプロイメント・スペースを選択してください。

4. Scikitモデルをクリックします。

5. scikitモデルの展開をクリックします。

6. エンドポイント および コード・スニペットを確認してください。

7. テストタブをクリックします。 以下の JSON コードを貼り付けることで、デプロイされたモデルをテストできます：

      {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}
   Copy to clipboardクリップボードにコピーされました

8. 予測をクリックしてください。 結果の予測は、手書きの数字が 5 と 4 であることを示しています。

ノートブックによって作成されたすべてのアセットを削除する場合は、Machine Learningアーティファクト管理ノートブックに基づいて新しいノートブックを作成します。 このノートブックへのリンクは、このチュートリアルで使用したUse scikit-learn to recognize hand-written digits notebookのクリーンアップセクションにもあります。