0 / 0
Torna alla versione inglese della documentazione
Introduzione rapida: crea e distribuisci un modello di machine learning con AutoAI

Introduzione rapida: crea e distribuisci un modello di machine learning con AutoAI

Puoi automatizzare il processo di creazione di un modello di machine learning con lo strumento AutoAI . Leggi le informazioni sullo strumento AutoAI , guarda un video e fai un'esercitazione adatta ai principianti e che non richiede codifica.

Servizi richiesti
Watson Studio
Watson Machine Learning

Il flusso di lavoro di base include le seguenti attività:

  1. Creare un progetto. I progetti sono dove è possibile collaborare con altri per lavorare con i dati.
  2. Aggiungere i propri dati al progetto. È possibile aggiungere file CSV o dati da un'origine dati remota tramite una connessione.
  3. Creare un esperimento AutoAI nel progetto.
  4. Esaminare le pipeline del modello e salvare la pipeline desiderata come modello da distribuire o come notebook da personalizzare.
  5. Distribuire e verificare il modello.

Leggi le informazioni su AutoAI

Lo strumento grafico AutoAI analizza automaticamente i tuoi dati e genera pipeline di modelli candidati personalizzate per il tuo problema di modellazione predittiva. Queste pipeline del modello vengono create in modo iterativo quando AutoAI analizza il dataset e rileva le trasformazioni dei dati, gli algoritmi e le impostazioni dei parametri che funzionano meglio per le impostazioni dei problemi. I risultati vengono visualizzati in una classifica, mostrando le pipeline del modello generate automaticamente ordinate in base all'obiettivo di ottimizzazione del problema.

Ulteriori informazioni su AutoAI

Ulteriori informazioni su altri modi per creare modelli

Guarda un video sulla creazione di un modello utilizzando AutoAI

Guarda il video Guarda questo video per scoprire come creare ed eseguire un esperimento di AutoAI basato sull'esempio di marketing della banca.

Nota: questo video mostra le attività 2-5 di questa esercitazione.

Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.

  • Trascrizione del video
    Ora Trascrizione
    00:00 Questo video mostra come eseguire un esperimento AutoAI di esempio per creare un modello Watson Machine Learning .
    00:08 Avviare un progetto Watson Studio e aggiungere a tale progetto un nuovo esperimento AutoAI .
    00:16 Per eseguire un esperimento AutoAI , avrai bisogno del servizio Watson Machine Learning .
    00:22 Qui è possibile associare un servizio Watson Machine Learning a questo progetto.
    00:29 Puoi creare una nuova istanza del servizio o selezionare un'istanza del servizio esistente.
    00:39 Quando ritorni alla pagina in cui stai creando l'esperimento, ricarica la pagina e vedrai elencata la nuova istanza del servizio.
    00:48 Per questo primo esperimento, verrà selezionato un esempio.
    00:52 L'esempio "Marketing bancario" contiene i dati di testo raccolti dalle chiamate telefoniche a una banca in risposta a una campagna di marketing.
    01:01 Quando si seleziona un campione, il nome esperimento e la descrizione vengono compilati automaticamente, in modo da essere pronti a creare l'esperimento.
    01:11 Viene quindi visualizzato il programma di creazione di esperimenti AutoAI .
    01:15 Poiché questo esperimento proviene da un esempio, il file di origine di marketing della banca è già selezionato.
    01:22 E la colonna da prevedere è già selezionata.
    01:26 In questo caso, è la colonna "y", che rappresenta se un utente si iscriverà per un deposito a termine come parte della campagna di marketing.
    01:35 In base al set di dati e alla colonna selezionata da prevedere, AutoAI analizza un sottoinsieme di dati e sceglie un tipo di previsione e una metrica da ottimizzare.
    01:47 In questo caso, poiché la colonna da prevedere contiene valori di "Y" o "N" (per sì o no), è stata scelta la classificazione binaria.
    01:57 La classe positiva è "Sì" e la metrica ottimizzata è ROC AUC.
    02:03 La metrica ROC AUC bilancia precisione, precisione e richiamo.
    02:10 Ora, esegui l'esperimento e attendi che la "Leaderboard Pipeline" si riempia.
    02:17 Durante la formazione AutoAI , il dataset è suddiviso in due parti: dati di addestramento e dati di holdout.
    02:24 I dati di training vengono utilizzati dalle fasi di training AutoAI per generare le pipeline di modello e i punteggi di convalida incrociata vengono utilizzati per classificarli.
    02:34 Dopo l'addestramento, i dati di controllo vengono utilizzati per la valutazione del modello di pipeline risultante e il calcolo delle informazioni sulle prestazioni, come le curve ROC e le matrici di confusione.
    02:48 Successivamente, AutoAI genera le pipeline utilizzando diversi stimatori, come il classificatore XGBoost, o miglioramenti, come l'ottimizzazione degli iperparametri e la progettazione delle funzionalità, con le pipeline classificate in base alla metrica di precisione.
    03:06 L'ottimizzazione degli iperparametri è un meccanismo per esplorare automaticamente uno spazio di ricerca di potenziali iperparametri, creando una serie di modelli e confrontando i modelli utilizzando le metriche di interesse.
    03:20 La progettazione delle funzioni tenta di trasformare i dati grezzi nella combinazione di funzioni che rappresenta al meglio il problema per ottenere la previsione più accurata.
    03:31 Ok, la corsa e'stata completata.
    03:34 La legenda spiega dove trovare i dati, l'algoritmo principale, le pipeline e i trasformatori di funzioni sulla mappa di relazioni.
    03:44 È possibile visualizzare il log completo per visualizzare i dettagli completi.
    03:48 Per impostazione predefinita, viene visualizzata la "Mappa delle relazioni", ma è possibile scambiare le viste per visualizzare la "Mappa dei progressi".
    03:57 Scorri verso il basso per dare un'occhiata alla classifica.
    04:01 È possibile iniziare con il confronto delle pipeline.
    04:05 Questo grafico fornisce le metriche per le otto pipeline, visualizzate in base al punteggio di convalida incrociata o in base al punteggio di holdout.
    04:13 È possibile visualizzare le pipeline classificate in base ad altre metriche, ad esempio la precisione media.
    04:21 Tornare alla scheda "Riepilogo esperimento", espandere una pipeline per visualizzare le misure di valutazione del modello e la curva ROC.
    04:30 È possibile visualizzare una singola pipeline per visualizzare ulteriori dettagli oltre alla matrice di confusione, alla curva di richiamo di precisione, alle informazioni sul modello, alle trasformazioni della funzione e all'importanza della funzione.
    04:49 Questa pipeline aveva la posizione più alta, quindi puoi salvarla come modello di machine learning.
    04:55 Accettare le impostazioni predefinite e salvare il modello.
    05:01 Ora che hai addestrato il modello, sei pronto a visualizzare il modello e distribuirlo.
    05:06 La scheda "Panoramica" mostra un riepilogo del modello e lo schema input.
    05:12 Per distribuire il modello, è necessario promuoverlo in uno spazio di distribuzione.
    05:17 Poiché questo progetto non dispone ancora di uno spazio di distribuzione associato, sarà necessario configurare prima l'associazione.
    05:25 È possibile selezionare uno spazio di distribuzione esistente o creare un nuovo spazio di distribuzione.
    05:31 Quando crei un nuovo spazio, fornisci solo un nome e una descrizione e seleziona il servizio Cloud Object Storage e Watson Machine Learning .
    05:41 Quindi creare lo spazio.
    05:45 Ora, selezionare questo nuovo spazio, aggiungere una descrizione per il modello e fare clic su "Promuovi".
    05:53 Utilizzare il link per andare nello spazio di distribuzione.
    06:00 Ecco il modello appena creato, che è ora possibile distribuire.
    06:04 In questo caso, sarà una distribuzione online.
    06:08 Fornire un nome per la distribuzione e fare clic su "Crea".
    06:12 Quindi attendere la distribuzione del modello.
    06:16 Quando la distribuzione del modello è completa, visualizzare la distribuzione.
    06:20 Nella scheda "Riferimento API", troverai l'endpoint di calcolo del punteggio per riferimenti futuri.
    06:26 Troverai anche frammenti di codice per vari linguaggi di programmazione per utilizzare questa distribuzione dalla tua applicazione.
    06:35 Nella scheda "Test", è possibile verificare la previsione del modello.
    06:40 È possibile immettere i dati di input di test o incollare i dati di input JSON, quindi fare clic su "Previsione".
    06:52 Ciò mostra che c'è una probabilità molto alta che la prima persona non sottoscriverà un deposito a termine e un'alta probabilità che la seconda persona sottoscriverà un deposito a termine.
    07:06 E di nuovo nel progetto, nella scheda "Asset", troverai l'esperimento AutoAI e il modello.
    07:17 Trova ulteriori video nella documentazione Cloud Pak for Data as a Service .

Prova un'esercitazione per creare un modello utilizzando AutoAI

Questa esercitazione guida l'utente attraverso la formazione di un modello per prevedere se un cliente è probabile che si sottoscriva a un deposito di termini basato su una campagna di marketing.

In questa esercitazione, verranno completate le seguenti attività:

Il completamento di questa esercitazione richiede circa 30 minuti.

Dati campione

I dati di esempio utilizzati nell'esperienza guidata sono UCI: Dati di marketing della banca utilizzati per prevedere se un cliente si iscrive a una promozione promotion.The vengono caricati automaticamente e disponibili per l'utente quando si seleziona Esempio hub di risorse come base per l'esperimento.

Foglio di calcolo del set di dati di marketing della Banca




  • Utilizzare il video immagine - in - immagine

    Suggerimento: avviare il video, quindi, scorrendo l'esercitazione, il video passa alla modalità immagine - in - immagine. Chiudere il sommario video per la migliore esperienza con l'immagine in foto. È possibile utilizzare la modalità immagine - in - immagine in modo da poter seguire il video mentre si completano le attività in questa esercitazione. Fare clic sulle date / ore per ciascuna attività da seguire.

    La seguente immagine animata mostra come utilizzare le funzioni di immagine video e indice:

    Come usare il picture-in-picture e i capitoli

    Ottieni aiuto nella community

    Se hai bisogno di aiuto con questa esercitazione, puoi fare una domanda o trovare una risposta nel forum di discussione della comunitàCloud Pak for Data.

    Configurare le finestre del browser

    Per un'esperienza ottimale durante il completamento di questa esercitazione, apri Cloud Pak for Data in una finestra del browser e tieni aperta questa pagina dell'esercitazione in un'altra finestra del browser per passare facilmente tra le due applicazioni. Prendi in considerazione la possibilità di organizzare le due finestre del browser fianco a fianco per renderle più semplici da seguire.

    Esercitazione e IU affiancati

    Suggerimento: se si incontra un tour guidato mentre si completa questa esercitazione nell'interfaccia utente, fare clic su Forse in seguito.

    Torna all'inizio


  • È necessario un progetto per memorizzare i dati e l'esperimento AutoAI . È possibile utilizzare un progetto esistente o creare un progetto.

    1. Dal menu di navigazione Menu di navigazione, scegliere Progetti> Visualizza tutti i progetti

    2. Aprire un progetto esistente. Se si desidera utilizzare un nuovo progetto:

      1. Fare clic su Nuovo progetto.

      2. Selezionare Crea un progetto vuoto.

      3. Immettere un nome e una descrizione facoltativa per il progetto.

      4. Scegliere un' istanza del servizio di archiviazione oggetti esistente o crearne una nuova.

      5. Fare clic su Crea.

    3. Quando il progetto si apre, fai clic sulla scheda Manage e seleziona la pagina Services and integrations .

      1. Sulla scheda IBM , fare clic su Associa servizio.

      2. Selezionare l'istanza di Watson Machine Learning . Se non hai ancora eseguito il provisioning di un'istanza del servizio Watson Machine Learning , attieniti alla seguente procedura:

        1. Fare clic su Nuovo servizio.

        2. Selezionare Watson Machine Learning.

        3. Fare clic su Crea.

        4. Selezionare la nuova istanza del servizio dall'elenco.

      3. Fare clic su Associa servizio.

      4. Se necessario, fare clic su Annulla per tornare alla pagina Servizi & Integrazioni .

    Per ulteriori informazioni o per guardare un video, consultare Creazione di un progetto.Per ulteriori informazioni sui servizi associati, consultare Aggiunta di servizi associati.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra il nuovo progetto.

    La seguente immagine mostra il nuovo progetto.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 00:00.

    Ora che si dispone di un progetto, si è pronti a creare ed addestrare il modello utilizzando AutoAI. Seguire questi passi per creare l'esperimento AutoAI , esaminare le pipeline del modello e selezionare una pipeline da salvare come modello:

    1. Fare clic sulla scheda Asset nel progetto, quindi su Nuovo asset> AutoAI.

    2. Nella pagina Crea un esperimento AutoAI , completare i campi di base:

      1. Fare clic sul pannello Esempio hub di risorse .

      2. Selezionare Bank marketing sample datae fare clic su Next. Il nome e la descrizione del progetto verranno compilati per te.

      3. Confermare che l'istanza del servizio Machine Learning associata al progetto sia selezionata nel campo Watson Machine Learning Service .

    3. Fare clic su Crea.

    4. In questo esperimento AutoAI di esempio, si vedrà che i Dati di esempio di marketing della banca sono già selezionati per l'esperimento.

      Scegliere una colonna di previsione

    5. Esaminare le impostazioni dell'esperimento preimpostato. In base al set di dati e alla colonna selezionata da prevedere, AutoAI analizza un sottoinsieme di dati e sceglie un tipo di previsione e una metrica da ottimizzare. In questo caso, il tipo di previsione è Classificazione binaria, la classe positiva è e la metrica ottimizzata è ROC AUC & runtime.

    6. Fai clic su Run experiment. Mentre il modello si allena, viene visualizzata un'infografica che mostra il processo di creazione delle pipeline.
      Crea pipeline modello

      Per un elenco di algoritmi, o stimatori, disponibili con ogni tecnica di machine learning in AutoAI, vedi: Dettagli di implementazioneAutoAI.

    7. Una volta completata l'esecuzione dell'esperimento, è possibile visualizzare e confrontare le pipeline classificate in una classifica.

      Classifica pipeline

    8. È possibile fare clic su Confronto pipeline per visualizzare le differenze.

      Grafico metrico di confronto pipeline

    9. Fai clic sulla pipeline con il rango più alto per visualizzare i dettagli della pipeline.

    10. Fare clic su Salva con nome, selezionare Modelloe fare clic su Crea. Salva la pipeline come modello nel progetto.

    11. Una volta salvato il modello, fare clic su Visualizza nel progetto nella notifica per visualizzare il modello nel proprio progetto. In alternativa, è possibile passare alla scheda Asset nel progetto e fare clic sul nome del modello nella sezione Modelli .

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra il modello.

    La seguente immagine mostra il modello.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 04:00.

    Prima di poter distribuire il modello, è necessario promuoverlo in uno spazio di distribuzione. Attieniti alla seguente procedura per promuovere il modello a uno spazio di distribuzione per distribuire il modello:

    1. Fare clic su Promuovi allo spazio di installazione.

    2. Scegliere uno spazio di distribuzione esistente. Se non si dispone di uno spazio di distribuzione:

      1. Fare clic su Crea un nuovo spazio di distribuzione.

      2. Fornire un nome spazio e una descrizione facoltativa.

      3. Selezionare un servizio di archiviazione.

      4. Selezionare un servizio di machine learning.

      5. Fare clic su Crea.

      6. Fare clic su Chiudi.

    3. Selezionare il nuovo spazio di distribuzione dall'elenco.

    4. Seleziona l'opzione Vai al modello nello spazio dopo averlo promosso .

    5. Fare clic su Promuovi.

      Nota: se non hai selezionato l'opzione per andare al modello nello spazio dopo averlo promosso, puoi utilizzare il menu di navigazione per passare a Distribuzioni per selezionare il tuo modello e il tuo spazio di distribuzione.
    6. Con il modello aperto, fare clic su Nuova distribuzione.

      1. Selezionare In linea come Tipo di distribuzione.

      2. Specificare un nome per la distribuzione.

      3. Fare clic su Crea.

    7. Una volta completata la distribuzione, fare clic sul nome della distribuzione per visualizzare la pagina dei dettagli della distribuzione.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la nuova distribuzione.

    La seguente immagine mostra la nuova distribuzione.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 06:22.

    Ora che il modello è stato distribuito, è possibile verificare tale distribuzione online utilizzando l'interfaccia utente o tramite le API di Watson Machine Learning . Attenersi alla seguente procedura per utilizzare l'interfaccia utente per verificare il modello con nuovi dati:

    1. Fare clic sulla scheda Test . Puoi verificare il modello distribuito dalla pagina dei dettagli di distribuzione in due modi: test con un modulo o test con codice JSON.

    2. Fare clic sulla scheda Input JSON , copiare i seguenti dati di test e incollarli per sostituire il testo JSON esistente:

      {
         "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"
                     ]
                  ]
            }
         ]
      }
      
    3. Fare clic su Previsione per prevedere se è probabile che un cliente con gli attributi specificati si registri per un particolare tipo di account. La previsione risultante indica che questo cliente ha un'alta probabilità di non iscriversi alla promozione di marketing.

    4. Fare clic sulla X per chiudere la finestra Risultati previsione .

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra i risultati della verifica della distribuzione. I valori per la previsione potrebbero essere diversi dai valori nella seguente immagine.

    La seguente immagine mostra i risultati della verifica della distribuzione.


    Torna all'inizio


  • Dopo aver verificato il modello distribuito con una singola previsione, è possibile creare una distribuzione batch per calcolare più record contemporaneamente.

    Attività 5a: configurare la distribuzione batch

    video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 07:00.

    Per una distribuzione batch, fornire i dati di input, noti anche come payload del modello, in un file CSV. I dati devono essere strutturati come i dati di addestramento, con le stesse intestazioni di colonna. Il lavoro batch elabora ogni riga di dati e crea una previsione corrispondente. Seguire questa procedura per caricare i dati del payload nello spazio di distribuzione:

    1. Copiare e incollare il seguente testo in un editor di testo e salvare il file come 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
      
    2. Fai clic sullo spazio di distribuzione nella traccia di navigazione.

      Traccia di navigazione

    3. Fai clic sulla scheda Assets.

    4. Trascinare il file bank-payload.csv nel pannello laterale e attendere il caricamento del file.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la scheda Asset nello spazio di distribuzione.

    scheda Asset nello spazio di distribuzione

    Attività 5b: creare la distribuzione batch

    video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 07:30.

    Per elaborare un batch di input e fare in modo che l'output venga scritto in un file invece che visualizzato in tempo reale, creare un lavoro di distribuzione batch.

    1. Andare alla scheda Asset nello spazio di distribuzione.

    2. Fai clic su Menu di overflow Overflow per il tuo modello e scegli Deploy.

    3. Per Tipo di distribuzione, selezionare Batch.

    4. Immettere un nome per la distribuzione.

    5. Scegliere la specifica hardware più piccola.

    6. Fare clic su Crea.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la distribuzione batch.

    Distribuzione batch

    Attività 5c: creare il lavoro batch

    video dell'esercitazione di anteprima Per visualizzare in anteprima questa attività, guardare il video a partire dalle 07:44.

    Il lavoro batch esegue la distribuzione. Per creare il lavoro, specificare i dati di input e il nome per il file di emissione. È possibile impostare un lavoro da eseguire in base a una pianificazione oppure da eseguire immediatamente. Per creare un lavoro batch, attenersi alla seguente procedura:

    1. Nella pagina di distribuzione, fare clic su Nuovo lavoro.

    2. Specificare un nome per il lavoro e fare clic su Avanti.

    3. Selezionare la specifica hardware più piccola e fare clic su Avanti.

    4. Facoltativo: impostare una pianificazione e fare clic su Avanti.

    5. Facoltativo: scegliere di ricevere le notifiche e fare clic su Avanti.

    6. Sul pannello Scegli dati , selezionare i dati Input :

      1. Fare clic su Seleziona origine dati.

      2. Selezionare Asset dati> bank-payload.csv.

      3. Fare clic su Conferma.

    7. Tornare alla schermata Scegli dati , specificare il file Output :

      1. Fare clic su Aggiungi.

      2. Fare clic su Seleziona origine dati.

      3. Verificare che la scheda Crea nuovo sia selezionata.

      4. Per Nome, immettere bank-output.csv.

      5. Fare clic su Conferma.

    8. Fare clic su Avanti per il passo finale.

    9. Rivedere le impostazioni e fare clic su Crea ed esegui per eseguire il lavoro immediatamente.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra i dettagli del lavoro per la distribuzione batch

    Crea un lavoro per la distribuzione batch

    Attività 5d: Visualizzare l'output

    video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 08:00.

    Seguire questa procedura per esaminare il file di emissione dal lavoro batch.

    1. Fare clic sul nome del lavoro per visualizzare lo stato.

    2. Quando lo stato viene modificato in Completato, fare clic sul nome dello spazio di distribuzione nella traccia di navigazione.

    3. Fai clic sulla scheda Assets.

    4. Fare clic sul file bank-output.csv per esaminare i risultati della previsione per le informazioni del cliente inoltrate per l'elaborazione batch. Per ogni caso, la previsione restituita a questi clienti è improbabile che si sottoscriva alla promozione della banca.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra i risultati del lavoro di distribuzione batch.

    La seguente immagine mostra i risultati del lavoro di distribuzione batch.


    Torna all'inizio

Passi successivi

Ora è possibile utilizzare questo dataset per ulteriori analisi. Ad esempio, l'utente o altri utenti possono eseguire una delle seguenti attività:

Ulteriori risorse

Argomento principale: Esercitazioni introduttive

Ricerca e risposta AI generativa
Queste risposte sono generate da un modello di lingua di grandi dimensioni in watsonx.ai basato sul contenuto della documentazione del prodotto. Ulteriori informazioni