Inicio rápido: Crear y desplegar un modelo de aprendizaje automático con AutoAI
Puede automatizar el proceso de creación de un modelo de aprendizaje automático con la herramienta AutoAI. Lea acerca del editor de la herramienta AutoAI y vea un vídeo y siga una guía de aprendizaje que sea adecuada para principiantes y que no requiera codificación.
- Servicios necesarios
- Watson Studio
- Watson Machine Learning
El flujo de trabajo básico incluye estas tareas:
- Cree un proyecto. Los proyectos son la ubicación donde puede colaborar con otros para trabajar con los datos.
- Añada sus datos al proyecto. Puede añadir archivos CSV o datos desde un origen de datos remoto mediante una conexión.
- Cree un experimento de AutoAI en el proyecto.
- Revise las interconexiones del modelo y guarde la interconexión deseada como modelo a desplegar o como un cuaderno a personalizar.
- Despliegue y pruebe su modelo.
Obtener información sobre AutoAI
La herramienta gráfica AutoAI analiza automáticamente los datos y genera interconexiones de modelos candidatos personalizadas para el problema de modelado predictivo. Estas interconexiones de modelo se crean de forma iterativa a medida que AutoAI analiza su conjunto de datos y descubre transformaciones de datos, algoritmos y valores de parámetros que funcionan mejor para la definición de sus problemas. Los resultados se muestran en un marcador y muestran las interconexiones del modelo generadas automáticamente según el objetivo de optimización de problemas.
Vea un vídeo sobre la creación de un modelo utilizando AutoAI
Visualice este vídeo para ver cómo crear y ejecutar un experimento de AutoAI basado en la muestra de marketing bancario.
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Transcripción de vídeo Hora Transcripción 00:00 Este vídeo muestra cómo ejecutar un experimento AutoAI de ejemplo para crear un modelo de Watson Machine Learning. 00:08 Comience en un proyecto de Watson Studio y añada a ese proyecto un nuevo experimento de AutoAI. 00:16 Para ejecutar un experimento de AutoAI, necesitará el servicio Watson Machine Learning. 00:22 Aquí tiene la opción de asociar un servicio Watson Machine Learning con este proyecto. 00:29 Puede crear una nueva instancia de servicio o seleccionar una instancia de servicio existente. 00:39 Cuando vuelva a la página en la que está creando el experimento, simplemente vuelva a cargar la página y verá la nueva instancia de servicio. 00:48 Para este primer experimento, seleccionará una muestra. 00:52 El ejemplo de "marketing bancario" contiene datos de texto recopilados de llamadas telefónicas a un banco en respuesta a una campaña de marketing. 01:01 Cuando selecciona una muestra, el nombre del experimento y la descripción se rellenan automáticamente, por lo que estará listo para crear el experimento. 01:11 A continuación se muestra el generador de experimentos AutoAI. 01:15 Dado que este experimento es de una muestra, el archivo de origen de marketing bancario ya está seleccionado. 01:22 Y la columna que pronosticar también ya está seleccionada. 01:26 En este caso, es la columna "y", que representa si un usuario se inscribirá en un depósito a plazo como parte de la campaña de marketing. 01:35 Basado en el conjunto de datos y la columna seleccionada para predecir, AutoAI analiza un subconjunto de los datos y elige un tipo de predicción y métrica para optimizar. 01:47 En este caso, dado que la columna que pronosticar contiene valores "Y" o "N" (para sí o no) se ha elegido la clasificación binaria. 01:57 La clase positiva es "Yes" y la métrica optimizada es el ROC AUC. 02:03 La métrica de ROC AUC equilibra precisión, detalles y recuperación. 02:10 Ahora ejecute el experimento y espere a que el "Marcador de interconexión" se llene. 02:17 Durante el entrenamiento de AutoAI, su conjunto de datos se divide en dos partes: datos de entrenamiento y datos de reserva. 02:24 Los datos de entrenamiento los utilizan las etapas de entrenamiento AutoAI para generar las interconexiones del modelo y se utilizan las puntuaciones de validación cruzada para clasificarlas. 02:34 Después del entrenamiento, los datos de reserva se utilizan para la evaluación del modelo de interconexión resultante y el cálculo de la información de rendimiento, como las curvas ROC y las matrices de confusión. 02:48 A continuación, AutoAI genera interconexiones utilizando diferentes estimadores, como el clasificador XGBoost, o mejoras, como la optimización de hiperparámetros y la ingeniería de características, con las interconexiones clasificadas en función de la métrica de precisión. 03:06 La optimización de hiperparámetros es un mecanismo para explorar automáticamente un espacio de búsqueda de hiperparámetros potenciales, crear una serie de modelos y comparar los modelos utilizando métricas de interés. 03:20 La ingeniería de características intenta transformar los datos sin formato en combinación con las características que mejor representan el problema para obtener la predicción más precisa. 03:31 De acuerdo, la ejecución se ha completado. 03:34 La leyenda explica dónde encontrar los datos, el algoritmo superior, las interconexiones y los transformadores de características en la correlación de relaciones. 03:44 Puede ver el registro completo para ver los detalles completos. 03:48 De forma predeterminada, verá el "mapa de relaciones", pero puede intercambiar vistas para ver el "mapa de progreso". 03:57 Desplázate hacia abajo para echar un vistazo a la tabla de clasificación. 04:01 Es posible que desee empezar con la comparación de las interconexiones. 04:05 Este diagrama proporciona medidas para las ocho interconexiones, vistas por puntuación de validación cruzada o por puntuación de reserva. 04:13 Puede ver las interconexiones clasificadas en función de otras métricas, como la precisión media. 04:21 De nuevo en la pestaña "Resumen del experimento", expanda una interconexión para ver las medidas de evaluación del modelo y la curva ROC. 04:30 Puede ver una interconexión individual para ver más detalles además de la matriz de confusión, la curva de recuperación de precisión, la información del modelo, las transformaciones de características y la importancia de la característica. 04:49 Esta interconexión tenía la clasificación más alta, por lo que puede guardarla como un modelo de aprendizaje automático. 04:55 Solo tiene que aceptar los valores predeterminados y guardar el modelo. 05:01 Ahora que ha entrenado el modelo, está listo para ver el modelo y desplegarlo. 05:06 La pestaña "Visión general" muestra un resumen de modelo y el esquema de entrada. 05:12 Para desplegar el modelo, deberá promocionarlo a un espacio de despliegue. 05:17 Dado que este proyecto aún no tiene un espacio de despliegue asociado, tendrá que configurar primero la asociación. 05:25 Puede seleccionar un espacio de despliegue existente o crear un nuevo espacio de despliegue. 05:31 Cuando cree un nuevo espacio, proporcione un nombre y una descripción y seleccione el servicio Cloud Object Storage y Watson Machine Learning. 05:41 A continuación, cree el espacio. 05:45 Ahora seleccione este nuevo espacio, añada una descripción para el modelo y pulse "Promocionar". 05:53 Utilice el enlace para ir al espacio de despliegue. 06:00 Aquí está el modelo que acaba de crear, que ahora puede desplegar. 06:04 En este caso, será un despliegue en línea. 06:08 Simplemente proporcione un nombre para el despliegue y pulse "Crear". 06:12 A continuación, espere mientras se despliega el modelo. 06:16 Cuando se haya completado el despliegue del modelo, visualice el despliegue. 06:20 En la pestaña "Referencia de API", encontrará el punto final de puntuación para futuras referencias. 06:26 También encontrará fragmentos de código para varios lenguajes de programación para utilizar este despliegue desde la aplicación. 06:35 En la pestaña "Probar", puede probar la predicción del modelo. 06:40 Puede especificar datos de entrada de prueba o pegar datos de entrada JSON y luego pulsar "Predecir". 06:52 Esto muestra que hay una probabilidad muy alta de que la primera persona no se suscriba a un depósito a plazo y una alta probabilidad de que la segunda persona se suscriba a un depósito a plazo. 07:06 Y, de vuelta en el proyecto, en la pestaña "Activos" encontrará el experimento AutoAI y el modelo. 07:17 Busque más vídeos en la documentación de Cloud Pak for Data as a Service.
Pruebe un tutorial para crear un modelo utilizando AutoAI
Esta guía de aprendizaje le guía a través del entrenamiento de un modelo para predecir si es probable que un cliente se suscriba a un depósito a plazo basado en una campaña de marketing.
En esta guía de aprendizaje, realizará estas tareas:
- Tarea 1: Abrir un proyecto.
- Tarea 2: Generar y entrenar el modelo.
- Tarea 3: Promocionar el modelo a un espacio de despliegue y desplegar el modelo entrenado
- Tarea 4: Probar el modelo desplegado.
- Tarea 5: Crear un trabajo por lotes para puntuar el modelo.
Le llevará aproximadamente 30 minutos el completar esta guía de aprendizaje.
Datos de ejemplo
Los datos de ejemplo que se utilizan en la experiencia guiada son UCI: Datos de marketing bancarios utilizados para predecir si un cliente se inscribe en una promoción de marketing de promotion.The se cargan automáticamente y están disponibles para su uso cuando selecciona Ejemplo de concentrador de recursos como base para el experimento.
Sugerencias para completar esta guía de aprendizaje
Estas son algunas sugerencias para completar correctamente esta guía de aprendizaje.
Utilizar la imagen en imagen de vídeo
La siguiente imagen animada muestra cómo utilizar las características de imagen en imagen y tabla de contenido de vídeo:
Obtener ayuda en la comunidad
Si necesita ayuda con esta guía de aprendizaje, puede formular una pregunta o encontrar una respuesta en el foro de discusión de la comunidad deCloud Pak for Data.
Configurar las ventanas del navegador
Para obtener la experiencia óptima al completar esta guía de aprendizaje, abra Cloud Pak for Data en una ventana de navegador y mantenga abierta esta página de la guía de aprendizaje en otra ventana de navegador para conmutar fácilmente entre las dos aplicaciones. Considere la posibilidad de organizar las dos ventanas del navegador una al lado de la otra para que sea más fácil de seguir.
Tarea 1: Abrir un proyecto
Necesita un proyecto para almacenar los datos y el experimento AutoAI . Puede utilizar un proyecto existente o crear un proyecto.
En el Menú de navegación
, elija Proyectos > Ver todos los proyectos
Abre un proyecto existente. Si desea utilizar un proyecto nuevo:
Pulse Nuevo proyecto.
Seleccione Crear un proyecto vacío.
Especifique un nombre y una descripción opcional para el proyecto.
Elija una instancia de servicio de almacenamiento de objetos existente o cree una nueva.
Pulse Crear.
Cuando se abra el proyecto, pulse la pestaña Gestionar y seleccione la página Servicios e integraciones.
En la pestaña Servicios deIBM , pulse Asociar servicio.
Seleccione la instancia de Watson Machine Learning . Si todavía no ha suministrado una instancia de servicio de Watson Machine Learning , siga estos pasos:
Pulse Nuevo servicio.
Seleccione Watson Machine Learning.
Pulse Crear.
Seleccione la nueva instancia de servicio en la lista.
Pulse Asociar servicio.
Si es necesario, pulse Cancelar para volver a la página Servicios e integraciones .
Para obtener más información o para ver un vídeo, consulte Creación de un proyecto.Para obtener más información sobre los servicios asociados, consulte Adición de servicios asociados.
Compruebe el progreso
La imagen siguiente muestra el nuevo proyecto.
Tarea 2: Crear y entrenar el modelo
Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 00:08.
Ahora que tiene un proyecto, está preparado para crear y entrenar el modelo utilizando AutoAI. Siga estos pasos para crear el experimento AutoAI , revisar las interconexiones del modelo y seleccionar una interconexión para guardarla como modelo:
Haga clic en el Activos pestaña en su proyecto y luego haga clic en Nuevo activo > Cree modelos de aprendizaje automático automáticamente .
En la página Crear un experimento de AutoAI , complete los campos básicos:
Pulse el panel Ejemplo de concentrador de recursos .
Seleccione Datos de ejemplo de marketing de bancoy pulse Siguiente. El nombre del proyecto y la descripción se rellenarán automáticamente.
Confirme que la instancia de servicio de Machine Learning que ha asociado con el proyecto está seleccionada en el campo Instancia de Watson Machine Learning Service .
Pulse Crear.
En este experimento de AutoAI de ejemplo, verá que los Datos de ejemplo de marketing de banco ya están seleccionados para el experimento.
Revise los valores de experimento preestablecidos. Basado en el conjunto de datos y la columna seleccionada para predecir, AutoAI analiza un subconjunto de los datos y elige un tipo de predicción y métrica para optimizar. En este caso, el tipo de predicción es Clasificación binaria, la clase positiva es Síy la métrica optimizada es ROC AUC & tiempo de ejecución.
Pulse Ejecutar experimento. A medida que entrena el modelo, verá una infografía que muestra el proceso de creación de las interconexiones.
Para obtener una lista de algoritmos, o estimadores, disponibles con cada técnica de aprendizaje de máquina en AutoAI, consulte: Detalle de la implementación de AutoAI.
Una vez completada la ejecución del experimento, puede ver y comparar las interconexiones clasificadas en un marcador.
Puede pulsar Comparación de interconexiones para ver en qué se diferencian.
Pulse el conducto con la clasificación más alta para ver los detalles del conducto.
Pulse Guardar como, seleccione Modeloy pulse Crear. Esto guarda la interconexión como un modelo en el proyecto.
Cuando se guarde el modelo, pulse el enlace Ver en el proyecto en la notificación para ver el modelo en el proyecto. De forma alternativa, puede ir a la pestaña Activos del proyecto y pulsar el nombre del modelo en la sección Modelos .
Compruebe el progreso
La imagen siguiente muestra el modelo.
Tarea 3: Promocionar el modelo a un espacio de despliegue y desplegar el modelo entrenado
Para obtener una vista preliminar de esta tarea, vea el vídeo que empieza en 04:57.
Para poder desplegar el modelo, debe promocionarlo a un espacio de despliegue. Siga estos pasos para promocionar el modelo a un espacio de despliegue para desplegar el modelo:
Pulse el icono Promocionar a espacio de despliegue
.
Seleccione un espacio de despliegue existente. Si no tiene un espacio de despliegue:
Pulse Crear un nuevo espacio de despliegue.
Proporcione un nombre de espacio y una descripción opcional.
Seleccione un servicio de almacenamiento.
Pulse Añadir servicio de aprendizaje automático.
Pulse Crear.
Pulse Cerrar.
Seleccione el nuevo espacio de despliegue en la lista.
Seleccione la opción Ir al modelo en el espacio después de promocionarlo .
Haga clic en Promover.
Nota: Si no ha seleccionado la opción para ir al modelo en el espacio después de promocionarlo, puede utilizar el menú de navegación para ir a Despliegues para seleccionar el espacio de despliegue y el modelo.Con el modelo abierto, pulse Nuevo despliegue.
Seleccione En línea como Tipo de despliegue.
Especifique un nombre para el despliegue.
Pulse Crear.
Cuando se haya completado el despliegue, pulse el nombre del despliegue para ver la página de detalles del despliegue.
Compruebe el progreso
La imagen siguiente muestra el nuevo despliegue.
Tarea 4: Probar el modelo desplegado
Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 06:22.
Ahora que ha desplegado el modelo, puede probar ese despliegue en línea utilizando la interfaz de usuario o a través de las API de Watson Machine Learning . Siga estos pasos para utilizar la interfaz de usuario para probar el modelo con datos nuevos:
Pulse el separador Probar. Puede probar el modelo desplegado desde la página de detalles del despliegue de dos formas: probar con un formulario o probar con código JSON.
Pulse el separador Entrada JSON , copie los siguientes datos de prueba y péguelos para sustituir el texto JSON existente:
{ "input_data": [ { "fields": [ "age", "job", "marital", "education", "default", "balance", "housing", "loan", "contact", "day", "month", "duration", "campaign", "pdays", "previous", "poutcome" ], "values": [ [ 27, "unemployed", "married", "primary", "no", 1787, "no", "no", "cellular", 19, "oct", 79, 1, -1, 0, "unknown" ] ] } ] }
Pulse Predecir para pronosticar si es probable que un cliente con los atributos especificados se registre para un determinado tipo de cuenta. La predicción resultante indica que este cliente tiene una alta probabilidad de no inscribirse en la promoción de marketing.
Pulse la X para cerrar la ventana Resultados de predicción .
Compruebe el progreso
La imagen siguiente muestra los resultados de la prueba del despliegue. Los valores de la predicción pueden diferir de los valores de la imagen siguiente.
Tarea 5: Crear un trabajo por lotes para puntuar el modelo
Ahora que ha probado el modelo desplegado con una única predicción, puede crear un despliegue por lotes para puntuar varios registros al mismo tiempo.
Tarea 5a: Configurar el despliegue por lotes
Para obtener una vista preliminar de esta tarea, vea el vídeo que empieza en 07:00.
Para un despliegue por lotes, proporcione datos de entrada, también conocidos como la carga útil del modelo, en un archivo CSV. Los datos deben estar estructurados como los datos de entrenamiento, con las mismas cabeceras de columna. El trabajo por lotes procesa cada fila de datos y crea una predicción correspondiente. Siga estos pasos para cargar los datos de carga útil en el espacio de despliegue:
Copie y pegue el texto siguiente en un editor de texto y guarde el archivo como
bank-payload.csv
.age,job,marital,education,default,balance,housing,loan,contact,day,month,duration,campaign,pdays,previous,poutcome 30,unemployed,married,primary,no,1787,no,no,cellular,19,oct,79,1,-1,0,unknown 33,services,married,secondary,no,4789,yes,yes,cellular,11,may,220,1,339,4,failure 35,management,single,tertiary,no,1350,yes,no,cellular,16,apr,185,1,330,1,failure 30,management,married,tertiary,no,1476,yes,yes,unknown,3,jun,199,4,-1,0,unknown 59,blue-collar,married,secondary,no,0,yes,no,unknown,5,may,226,1,-1,0,unknown 35,management,single,tertiary,no,747,no,no,cellular,23,feb,141,2,176,3,failure 36,self-employed,married,tertiary,no,307,yes,no,cellular,14,may,341,1,330,2,other 39,technician,married,secondary,no,147,yes,no,cellular,6,may,151,2,-1,0,unknown 41,entrepreneur,married,tertiary,no,221,yes,no,unknown,14,may,57,2,-1,0,unknown 43,services,married,primary,no,-88,yes,yes,cellular,17,apr,313,1,147,2,failure 39,services,married,secondary,no,9374,yes,no,unknown,20,may,273,1,-1,0,unknown 43,admin.,married,secondary,no,264,yes,no,cellular,17,apr,113,2,-1,0,unknown 36,technician,married,tertiary,no,1109,no,no,cellular,13,aug,328,2,-1,0,unknown 20,student,single,secondary,no,502,no,no,cellular,30,apr,261,1,-1,0,unknown 31,blue-collar,married,secondary,no,360,yes,yes,cellular,29,jan,89,1,241,1,failure 40,management,married,tertiary,no,194,no,yes,cellular,29,aug,189,2,-1,0,unknown 56,technician,married,secondary,no,4073,no,no,cellular,27,aug,239,5,-1,0,unknown 37,admin.,single,tertiary,no,2317,yes,no,cellular,20,apr,114,1,152,2,failure 25,blue-collar,single,primary,no,-221,yes,no,unknown,23,may,250,1,-1,0,unknown 31,services,married,secondary,no,132,no,no,cellular,7,jul,148,1,152,1,other
Pulse el espacio de despliegue en la ruta de navegación.
Pulse la pestaña Activos.
Arrastre el archivo bank-payload.csv al panel lateral y espere a que se cargue el archivo.
Compruebe el progreso
La imagen siguiente muestra el separador Activos en el espacio de despliegue.
Tarea 5b: Crear el despliegue por lotes
Para obtener una vista preliminar de esta tarea, vea el vídeo que empieza en 07:30.
Para procesar un lote de entradas y hacer que la salida se escriba en un archivo en lugar de visualizarse en tiempo real, cree un trabajo despliegue por lotes.
Vaya a la pestaña Activos en el espacio de despliegue.
Pulse el menú Desbordamiento
correspondiente al modelo y elija Desplegar.
Para el Tipo de despliegue, seleccione Lote.
Escriba un nombre para el despliegue.
Elija la especificación de hardware de menor tamaño.
Pulse Crear.
Compruebe el progreso
La imagen siguiente muestra el despliegue por lotes.
Tarea 5c: Crear el trabajo por lotes
Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 07:44.
El trabajo por lotes ejecuta el despliegue. Para crear el trabajo, especifique los datos de entrada y el nombre del archivo de salida. Puede configurar un trabajo para que se ejecute en una planificación o lo puede ejecutar inmediatamente. Siga estos pasos para crear un trabajo por lotes:
En la página de despliegue, pulse Nuevo trabajo.
Especifique un nombre para el trabajo y pulse Siguiente.
Seleccione la especificación de hardware más pequeña y pulse Siguiente.
Opcional: Establezca una planificación y pulse Siguiente.
Opcional: elija recibir notificaciones y pulse Siguiente.
En la pantalla Elegir datos , seleccione los datos de Entrada :
Pulse Seleccionar origen de datos.
Seleccione Activo de datos > bank-payload.csv.
Pulse Confirmar.
Vuelva a la pantalla Elegir datos , especifique el archivo Salida :
Pulse Añadir.
Pulse Seleccionar origen de datos.
Asegúrese de que la pestaña Crear nuevo esté seleccionada.
Para el Nombre, escriba
bank-output.csv
.Pulse Confirmar.
Pulse Siguiente para el paso final.
Revise los valores y pulse Crear y ejecutar para ejecutar el trabajo inmediatamente.
Compruebe el progreso
La imagen siguiente muestra los detalles del trabajo para el despliegue por lotes.
Tarea 5d: Ver la salida
Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 08:42.
Siga estos pasos para revisar el archivo de salida del trabajo por lotes.
Pulse el nombre del trabajo para ver el estado.
Cuando el estado cambie a Completado, pulse el nombre del espacio de despliegue en la pista de navegación.
Pulse la pestaña Activos.
Pulse el archivo bank-output.csv para revisar los resultados de predicción para la información de cliente que se envía para el proceso por lotes. En cada caso, la predicción que se devuelve indica que es poco probable que estos clientes se suscriban a la promoción del banco.
Compruebe el progreso
La imagen siguiente muestra los resultados del trabajo de despliegue por lotes.
Próximos pasos
Ahora puede utilizar este conjunto de datos para un análisis adicional. Por ejemplo, usted u otros usuarios pueden realizar cualquiera de estas tareas:
Recursos adicionales
Pruebe estos tutoriales adicionales para obtener más experiencia práctica en la construcción de modelos utilizandoAutoAI:
Pruebe estos otros métodos para crear modelos:
Ver más vídeos
Busque conjuntos de datos de ejemplo para obtener experiencia práctica en la creación de modelos en el Centro de recursos
Tema principal: Guías de aprendizaje de inicio rápido