Vous avez besoin d'un projet pour stocker les données et l'expérimentation AutoAI . Vous pouvez utiliser votre projet de bac à sable ou créer un projet.

1. Dans le menu de navigation , choisissez Projets > Afficher tous les projets

2. Ouvrez votre projet de bac à sable. Si vous souhaitez utiliser un nouveau projet:

   1. Cliquez sur Nouveau projet.

   2. Sélectionnez Créer un projet vide.

   3. Entrez un nom et une description facultative pour le projet.

   4. Choisissez une instance de service object storage existante ou crée en une nouvelle.

   5. Cliquez sur Créer.

3. Lorsque le projet s'ouvre, cliquez sur l'onglet Gérer et sélectionnez la page Services et intégrations.

   1. Dans l'onglet ServicesIBM , cliquez sur Associer un service.

   2. Sélectionnez votre instance d'exécution watsonx.ai Si vous n'avez pas encore provisionné d'instance de service watsonx.ai Runtime, suivez ces étapes :

      1. Cliquez sur Nouveau service.

      2. Sélectionnez watsonx.ai Runtime.

      3. Cliquez sur Créer.

      4. Sélectionnez la nouvelle instance de service dans la liste.

   3. Cliquez sur Associer un service.

   4. Si nécessaire, cliquez sur Annuler pour revenir à la page Services & Intégrations .

Pour plus d'informations ou pour regarder une vidéo, voir Création d'un projet.

Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:08 .

Maintenant que vous disposez d'un projet, vous êtes prêt à générer et à entraîner le modèle à l'aide d' AutoAI. Procédez comme suit pour créer l'expérimentation AutoAI , examiner les pipelines de modèle et sélectionner un pipeline à enregistrer en tant que modèle:

1. Cliquez sur l'onglet Actifs dans votre projet, puis cliquez sur Nouvel actif > Générer des modèles d'apprentissage automatique automatiquement.

2. Sur la page Générer des modèles d'apprentissage automatique automatiquement , renseignez les zones de base:

   1. Cliquez sur le panneau Exemple de concentrateur de ressources .

   2. Sélectionnez Bank marketing sample data, puis cliquez sur Next. Le nom du projet et sa description seront remplis pour vous.

   3. Confirmez que l'instance de service Runtime 'watsonx.ai que vous avez associée à votre projet est sélectionnée dans le champ 'watsonx.ai Instance du service d'exécution

3. Cliquez sur Créer.

4. Dans cet exemple d'expérimentation AutoAI , vous verrez que l' exemple de données marketing de banque est déjà sélectionné pour votre expérimentation.

   

5. Passez en revue les paramètres d'expérimentation prédéfinis. En fonction du fichier et de la colonne sélectionnée pour la prédiction, AutoAI analyse un sous-ensemble des données et choisit un type de prédiction et une métrique à optimiser. Dans ce cas, le type de prévision est Classification binaire, la classe positive est Yeset la métrique optimisée est ROC AUC & run time.

6. Cliquez sur Exécuter l'expérimentation. Au fur et à mesure que le modèle s'entraîne, vous voyez une infographie qui montre le processus de construction des pipelines.
   

   Pour obtenir la liste des algorithmes ou des estimateurs disponibles avec chaque technique d'apprentissage automatique dans AutoAI, voir: Détails de l'implémentation AutoAI.

7. Une fois l'exécution de l'expérimentation terminée, vous pouvez afficher et comparer les pipelines classés dans un tableau de classement.

   

8. Vous pouvez cliquer sur Comparaison de pipelines pour voir leur différence.

   

9. Cliquez sur le pipeline le mieux classé pour afficher les détails du pipeline.

10. Cliquez sur Enregistrer sous, sélectionnez Modèle, puis cliquez sur Créer. Le pipeline est alors sauvegardé en tant que modèle dans votre projet.

11. Lorsque le modèle est sauvegardé, cliquez sur le lien Vue dans le projet dans la notification pour afficher le modèle dans votre projet. Vous pouvez également accéder à l'onglet Actifs du projet et cliquer sur le nom du modèle dans la section Modèles .

Pour prévisualiser cette tâche, regardez la vidéo à partir de 04:57.

Avant de pouvoir déployer le modèle, vous devez le promouvoir dans un espace de déploiement. Procédez comme suit pour promouvoir le modèle dans un espace de déploiement afin de déployer le modèle:

1. Cliquez sur l'icône Promouvoir vers l'espace de déploiement .

2. Choisissez un espace de déploiement existant. Si vous ne disposez pas d'un espace de déploiement:

   1. Cliquez sur Créer un nouvel espace de déploiement.

   2. Indiquez un nom d'espace et une description facultative.

   3. Sélectionnez un service de stockage.

   4. Sélectionnez un service d'apprentissage automatique.

   5. Cliquez sur Créer.

   6. Cliquez sur Fermer.

3. Sélectionnez votre nouvel espace de déploiement dans la liste.

4. Sélectionnez l'option Aller au modèle dans l'espace après l'avoir promu .

5. Cliquez sur Promouvoir.

   Remarque: Si vous n'avez pas sélectionné l'option permettant d'accéder au modèle dans l'espace après l'avoir promu, vous pouvez utiliser le menu de navigation pour accéder à Déploiements afin de sélectionner votre espace de déploiement et votre modèle.

6. Une fois le modèle ouvert, cliquez sur Nouveau déploiement.

   1. Sélectionnez En ligne comme Type de déploiement.

   2. Indiquez un nom pour le déploiement.

   3. Cliquez sur Créer.

7. Une fois le déploiement terminé, cliquez sur le nom du déploiement pour afficher la page des détails de déploiement.

Pour prévisualiser cette tâche, regardez la vidéo à partir de 06:22 .

Maintenant que vous avez déployé le modèle, vous pouvez tester ce déploiement en ligne à l'aide de l'interface utilisateur ou des API d'exécution de watsonx.ai Procédez comme suit pour utiliser l'interface utilisateur afin de tester le modèle avec de nouvelles données:

1. Cliquez sur l'onglet Tester. Vous pouvez tester le modèle déployé à partir de la page des détails du déploiement des deux manières suivantes : test avec un formulaire ou test avec du code JSON.

2. Cliquez sur l'onglet Entrée JSON , copiez les données de test suivantes et collez-les pour remplacer le texte JSON existant:

   {
      "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. Cliquez sur Prédit pour prédire si un client avec les attributs spécifiés est susceptible de s'inscrire pour un type de compte particulier. La prédiction qui en résulte indique qu'il existe une forte probabilité pour que ce client ne souscrive pas à la promotion marketing.

4. Cliquez sur X pour fermer la fenêtre Résultats de la prévision .

Maintenant que vous avez testé le modèle déployé avec une seule prévision, vous pouvez créer un déploiement par lots pour évaluer simultanément plusieurs enregistrements.