Inicio rápido: Crear y desplegar un modelo de aprendizaje automático con AutoAI

Datos de ejemplo

Los datos de ejemplo que se utilizan en la experiencia guiada son UCI: Datos de marketing de banco utilizados para predecir si un cliente se inscribe en una promoción de marketing.

• Sugerencias para completar esta guía de aprendizaje

  Utilizar la imagen en imagen de vídeo

  Sugerencia: Inicie el vídeo y, a continuación, a medida que se desplaza por el tutorial, el vídeo se desplaza al modo de imagen en imagen. Cierre la tabla de contenido de vídeo para obtener la mejor experiencia con la imagen en imagen. Puede utilizar el modo de imagen en imagen para poder seguir el vídeo mientras completa las tareas de este tutorial. Pulse las indicaciones de fecha y hora para cada tarea a seguir.

  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.

  

  Sugerencia: Si encuentra una visita guiada al completar esta guía de aprendizaje en la interfaz de usuario, pulse Quizás más tarde.

  
  Volver al principio
  

• Tarea 1: Abrir un proyecto
  
  

  Necesita un proyecto para almacenar los datos y el experimento AutoAI . Puede utilizar el proyecto de recinto de seguridad o crear un proyecto.

  1. En el menú de navegación , seleccione Proyectos > Ver todos los proyectos

  2. Abra el proyecto de recinto de seguridad. Si desea utilizar un proyecto nuevo:

     1. Pulse Nuevo proyecto.

     2. Seleccione Crear un proyecto vacío.

     3. Especifique un nombre y una descripción opcional para el proyecto.

     4. Elija una instancia de servicio de almacenamiento de objetos existente o cree una nueva.

     5. Pulse Crear.

  3. Cuando se abra el proyecto, pulse la pestaña Gestionar y seleccione la página Servicios e integraciones.

     1. En la pestaña Servicios deIBM , pulse Asociar servicio.

     2. Seleccione la instancia de Watson Machine Learning . Si todavía no ha suministrado una instancia de servicio de Watson Machine Learning , siga estos pasos:

        1. Pulse Nuevo servicio.

        2. Seleccione Watson Machine Learning.

        3. Pulse Crear.

        4. Seleccione la nueva instancia de servicio en la lista.

     3. Pulse Asociar servicio.

     4. Si es necesario, pulse Cancelar para volver a la página Servicios e integraciones .

  Para obtener más información o ver un vídeo, consulte Creación de un proyecto.

  Compruebe el progreso

  La imagen siguiente muestra el nuevo proyecto.
  
  

  

  
  Volver al principio
  

• 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:

  1. Pulse la pestaña Activos en el proyecto y, a continuación, pulse Nuevo activo > Crear modelos de aprendizaje automático automáticamente.

  2. En la página Crear automáticamente modelos de aprendizaje automático , complete los campos básicos:

     1. Pulse el panel Ejemplos .

     2. Seleccione Datos de ejemplo de marketing de bancoy pulse Siguiente. El nombre del proyecto y la descripción se rellenarán automáticamente.

     3. 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 .

  3. Pulse Crear.

  4. En este experimento de AutoAI de ejemplo, verá que los Datos de ejemplo de marketing de banco ya están seleccionados para el experimento.

     

  5. 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.

  6. 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.

  7. Una vez completada la ejecución del experimento, puede ver y comparar las interconexiones clasificadas en un marcador.

     

  8. Puede pulsar Comparación de interconexiones para ver en qué difieren.

     

  9. Pulse el conducto con la clasificación más alta para ver los detalles del conducto.

  10. Pulse Guardar como, seleccione Modeloy pulse Crear. Esto guarda la interconexión como un modelo en el proyecto.

  11. 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.
  
  

  

  
  Volver al principio
  

• 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:

  1. Pulse Promocionar a espacio de despliegue.

  2. Seleccione un espacio de despliegue existente. Si no tiene un espacio de despliegue:

     1. Pulse Crear un nuevo espacio de despliegue.

     2. Proporcione un nombre de espacio y una descripción opcional.

     3. Seleccione un servicio de almacenamiento.

     4. Pulse Añadir servicio de aprendizaje automático.

     5. Pulse Crear.

     6. Pulse Cerrar.

  3. Seleccione el nuevo espacio de despliegue en la lista.

  4. Seleccione la opción Ir al modelo en el espacio después de promocionarlo .

  5. 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.

  6. Con el modelo abierto, pulse Nuevo despliegue.

     1. Seleccione En línea como Tipo de despliegue.

     2. Especifique un nombre para el despliegue.

     3. Pulse Crear.

  7. 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.
  
  

  

  
  Volver al principio
  

• 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:

  1. 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.

  2. 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"
                    ]
                 ]
           }
        ]
     }
     

  3. 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.

  4. 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.
  
  

  

  
  Volver al principio
  

• 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:

  1. 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
     

  2. Pulse el espacio de despliegue en la ruta de navegación.

     

  3. Pulse la pestaña Activos.

  4. 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.

  1. Vaya a la pestaña Activos en el espacio de despliegue.

  2. Pulse el menú Desbordamiento del modelo y elija Desplegar.

  3. Para el Tipo de despliegue, seleccione Lote.

  4. Escriba un nombre para el despliegue.

  5. Elija la especificación de hardware de menor tamaño.

  6. 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:

  1. En la página de despliegue, pulse Nuevo trabajo.

  2. Especifique un nombre para el trabajo y pulse Siguiente.

  3. Seleccione la especificación de hardware más pequeña y pulse Siguiente.

  4. Opcional: Establezca una planificación y pulse Siguiente.

  5. Opcional: elija recibir notificaciones y pulse Siguiente.

  6. En la pantalla Elegir datos , seleccione los datos de Entrada :

     1. Pulse Seleccionar origen de datos.

     2. Seleccione Activo de datos > bank-payload.csv.

     3. Pulse Confirmar.

  7. Vuelva a la pantalla Elegir datos , especifique el archivo Salida :

     1. Pulse Añadir.

     2. Pulse Seleccionar origen de datos.

     3. Asegúrese de que la pestaña Crear nuevo esté seleccionada.

     4. Para el Nombre, escriba bank-output.csv.

     5. Pulse Confirmar.

  8. Pulse Siguiente para el paso final.

  9. 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.

  1. Pulse el nombre del trabajo para ver el estado.

  2. Cuando el estado cambie a Completado, pulse el nombre del espacio de despliegue en la pista de navegación.

  3. Pulse la pestaña Activos.

  4. 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.
  
  

  

  
  Volver al principio