Sie benötigen ein Projekt zum Speichern der Daten und des Experiments AutoAI . Sie können Ihr Sandboxprojekt verwenden oder ein Projekt erstellen.

1. Wählen Sie im Navigationsmenü ' Projekte > Alle Projekte anzeigen

2. Öffnen Sie Ihr Sandboxprojekt. Wenn Sie ein neues Projekt verwenden möchten:

   1. Klicken Sie auf Neues Projekt.

   2. Wählen Sie Leeres Projekt erstellen aus.

   3. Geben Sie einen Namen und optional eine Beschreibung für das Projekt ein.

   4. Wählen Sie eine vorhandene Objektspeicherserviceinstanz aus oder erstellen Sie eine neue.

   5. Klicken Sie auf Erstellen.

3. Wenn das Projekt geöffnet wird, klicken Sie auf die Registerkarte Verwalten und wählen Sie die Seite Services und Integrationen aus.

   1. Klicken Sie auf der Registerkarte IBM -Services auf Service zuordnen.

   2. Wählen Sie Ihre watsonx.ai Runtime-Instanz. Wenn Sie noch keine watsonx.ai Runtime Service-Instanz eingerichtet haben, folgen Sie diesen Schritten:

      1. Klicken Sie auf Neuer Service.

      2. Wählen Sie watsonx.ai Runtime.

      3. Klicken Sie auf Erstellen.

      4. Wählen Sie die neue Serviceinstanz aus der Liste aus.

   3. Klicken Sie auf Service zuordnen.

   4. Klicken Sie bei Bedarf auf Abbrechen , um zur Seite Services & Integrationen zurückzukehren.

Weitere Informationen hierzu oder die Option zum Ansehen eines entsprechenden Videos finden Sie unter Projekt erstellen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 00:08 an.

Nachdem Sie nun über ein Projekt verfügen, können Sie das Modell mit AutoAIerstellen und trainieren. Führen Sie die folgenden Schritte aus, um das Experiment AutoAI zu erstellen, die Modellpipelines zu überprüfen und eine Pipeline zum Speichern als Modell auszuwählen:

1. Klicken Sie auf die Registerkarte Assets in Ihrem Projekt und anschließend auf Neues Asset > Modelle für maschinelles Lernen automatisch erstellen.

2. Füllen Sie auf der Seite Machine Learning-Modelle automatisch erstellen die Basisfelder aus:

   1. Klicken Sie auf die Anzeige Resource hub sample .

   2. Wählen Sie Beispieldaten für Bankmarketingaus und klicken Sie auf Weiter. Der Projektname und die Beschreibung werden für Sie ausgefüllt.

   3. Stellen Sie sicher, dass die watsonx.ai Runtime Service-Instanz, die Sie mit Ihrem Projekt verknüpft haben, im Feld watsonx.ai Runtime Service Instance ausgewählt ist.

3. Klicken Sie auf Erstellen.

4. In diesem AutoAI -Beispielexperiment sehen Sie, dass die Beispieldaten für das Bankmarketing bereits für Ihr Experiment ausgewählt sind.

   

5. Überprüfen Sie die voreingestellten Experimenteinstellungen. Basierend auf dem Dataset und der ausgewählten Spalte für die Vorhersage analysiert AutoAI eine Teilmenge der Daten und wählt einen Vorhersagetyp und eine Metrik zur Optimierung aus. In diesem Fall ist der Vorhersagetyp Binäre Klassifikation, die positive Klasse ist Jaund die optimierte Metrik ist ROC AUC & Laufzeit.

6. Klicken Sie auf Experiment ausführen. Während das Modell trainiert, sehen Sie eine Infografik, die den Prozess der Erstellung der Pipelines zeigt.
   '

   Eine Liste der Algorithmen bzw. Schätzer, die mit den einzelnen Verfahren für maschinelles Lernen in AutoAI verfügbar sind, finden Sie unter AutoAI-Bereitstellungsdetail.

7. Nach Abschluss der Experimentausführung können Sie die eingestuften Pipelines in einer Bestenliste anzeigen und vergleichen.

   

8. Sie können auf Pipelinevergleich klicken, um zu sehen, wie sie sich unterscheiden.

   

9. Klicken Sie auf die Pipeline mit der höchsten Rangfolge, um die Pipelinedetails anzuzeigen.

10. Klicken Sie auf Speichern unter, wählen Sie Modellaus und klicken Sie auf Erstellen. Dadurch wird die Pipeline als Modell in Ihrem Projekt gespeichert.

11. Klicken Sie nach dem Speichern des Modells in der Benachrichtigung auf den Link In Projekt anzeigen, um das Modell in Ihrem Projekt anzuzeigen. Alternativ können Sie zur Registerkarte Assets im Projekt navigieren und auf den Modellnamen im Abschnitt Modelle klicken.

Eine Vorschau zu dieser Aufgabe sehen Sie, wenn Sie die Wiedergabe des Videos bei 04:57 starten.

Bevor Sie das Modell bereitstellen können, müssen Sie das Modell in einen Bereitstellungsbereich hochstufen. Führen Sie die folgenden Schritte aus, um das Modell in einen Bereitstellungsbereich hochzustufen, um das Modell bereitzustellen:

1. Klicken Sie auf das Symbol " " für "Promote to deployment space".

2. Wählen Sie einen vorhandenen Bereitstellungsbereich aus. Wenn Sie keinen Bereitstellungsbereich haben:

   1. Klicken Sie auf Neuen Bereitstellungsbereich erstellen.

   2. Geben Sie einen Bereichsnamen und optional eine Beschreibung an.

   3. Wählen Sie einen Speicherservice aus.

   4. Wählen Sie einen Machine Learning-Service aus.

   5. Klicken Sie auf Erstellen.

   6. Klicken Sie auf Schließen.

3. Wählen Sie Ihren neuen Bereitstellungsbereich aus der Liste aus.

4. Wählen Sie die Option Nach dem Hochstufen zum Modell im Bereich wechseln aus.

5. Klicken Sie auf Hochstufen.

   Hinweis: Wenn Sie die Option zum Wechseln zum Modell im Bereich nach der Hochstufung nicht ausgewählt haben, können Sie über das Navigationsmenü zu Bereitstellungen navigieren, um Ihren Bereitstellungsbereich und das Modell auszuwählen.

6. Klicken Sie bei geöffnetem Modell auf Neue Bereitstellung.

   1. Wählen Sie Online als Bereitstellungstyp aus.

   2. Geben Sie einen Namen für die Bereitstellung an.

   3. Klicken Sie auf Erstellen.

7. Klicken Sie nach Abschluss der Bereitstellung auf den Namen der Bereitstellung, um die Seite mit den Bereitstellungsdetails anzuzeigen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 06:22 an.

Nun, da Sie das Modell bereitgestellt haben, können Sie diese Online-Bereitstellung über die Benutzeroberfläche oder über die watsonx.ai Runtime APIs testen. Gehen Sie wie folgt vor, um die Benutzerschnittstelle zum Testen des Modells mit neuen Daten zu verwenden:

1. Klicken Sie auf die Registerkarte Test. Sie können das bereitgestellte Modell auf der Seite mit den Bereitstellungsdetails auf zwei Arten testen: Mithilfe eines Formulars oder mit JSON-Code.

2. Klicken Sie auf die Registerkarte JSON-Eingabe , kopieren Sie die folgenden Testdaten und fügen Sie sie ein, um den vorhandenen JSON-Text zu ersetzen:

   {
      "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. Klicken Sie auf Vorhersagen, um eine Vorhersage zu erhalten, die angibt, wie wahrscheinlich es ist, dass sich ein Kunde mit den angegebenen Attributen für eine bestimmte Art von Konto anmeldet. Die daraus resultierende Vorhersage zeigt an, dass für diesen Kunden eine hohe Wahrscheinlichkeit besteht, dass er sich nicht für die Marketing-Werbeaktion registriert.

4. Klicken Sie auf X , um das Fenster Vorhersageergebnisse zu schließen.

Nachdem Sie das bereitgestellte Modell mit einer einzigen Vorhersage getestet haben, können Sie eine Batchbereitstellung erstellen, um mehrere Datensätze gleichzeitig zu bewerten.