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

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

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

2. Aprire il progetto sandbox. 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 del runtime watsonx.ai. Se non si dispone ancora di un'istanza del servizio watsonx.ai Runtime, seguire questi passaggi:

      1. Fare clic su Nuovo servizio.

      2. Selezionare watsonx.ai Runtime.

      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 vedere un video, vedere Creazione di un progetto.

Per avere un'anteprima di questo compito, guardate il video a partire da 00:08.

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 fare clic su Nuovo asset> Crea automaticamente modelli di machine learning.

2. Nella pagina Crea automaticamente i modelli di machine learning , 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 watsonx.ai Runtime associata al progetto sia selezionata nel campo Istanza del serviziowatsonx.ai Runtime.

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.

   

5. Esaminare le impostazioni dell'esperimento preimpostato. In base al dataset 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 Sìe 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 costruzione delle pipeline.
   

   Per un elenco degli algoritmi, o stimatori, disponibili con ciascuna tecnica di apprendimento automatico in AutoAI, vedere: Dettagli sull'implementazione diAutoAI.

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

   

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

   

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 .

Per vedere un'anteprima di questo compito, guardate il video a partire da 04:57.

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 sull'icona dello spazio di distribuzione " ".

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.

Per vedere un'anteprima di questo compito, guardate il video a partire da 06:22.

Ora che il modello è stato distribuito, è possibile testarlo online utilizzando l'interfaccia utente o le API watsonx.ai Runtime. 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 .

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