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

Puede automatizar el proceso de creación de un modelo de aprendizaje automático con la herramienta AutoAI. Lea acerca del editor de la herramienta AutoAI y vea un vídeo y siga una guía de aprendizaje que sea adecuada para principiantes y que no requiera codificación.

Servicio necesario Watson Machine Learning

El flujo de trabajo básico incluye estas tareas:

  1. Cree un proyecto. Los proyectos son la ubicación donde puede colaborar con otros para trabajar con los datos.
  2. Añada sus datos al proyecto. Puede añadir archivos CSV o datos desde un origen de datos remoto mediante una conexión.
  3. Cree un experimento de AutoAI en el proyecto.
  4. Revise las interconexiones del modelo y guarde la interconexión deseada como modelo a desplegar o como un cuaderno a personalizar.
  5. Despliegue y pruebe su modelo.

Obtener información sobre AutoAI

La herramienta gráfica de AutoAI en Watson Studio analiza automáticamente los datos y genera las interconexiones de modelos candidatos personalizadas para su problema de modelado predictivo. Estas interconexiones de modelo se crean de forma iterativa a medida que AutoAI analiza su conjunto de datos y descubre transformaciones de datos, algoritmos y valores de parámetros que funcionan mejor para la definición de sus problemas. Los resultados se muestran en un marcador y muestran las interconexiones del modelo generadas automáticamente según el objetivo de optimización de problemas.

Más información sobre AutoAI

Información sobre otras formas de crear modelos

Vea un vídeo sobre la creación de un modelo utilizando AutoAI

Ver vídeoVisualice este vídeo para ver cómo crear y ejecutar un experimento de AutoAI basado en la muestra de marketing bancario.

Este vídeo proporciona un método visual como una alternativa a seguir los pasos escritos incluidos en esta documentación.

  • Tiempo Transcripción
    00:00 Este vídeo muestra cómo ejecutar un experimento AutoAI de ejemplo para crear un modelo de Watson Machine Learning.
    00:08 Comience en un proyecto de Watson Studio y añada a ese proyecto un nuevo experimento de AutoAI.
    00:16 Para ejecutar un experimento de AutoAI, necesitará el servicio Watson Machine Learning.
    00:22 Aquí tiene la opción de asociar un servicio Watson Machine Learning con este proyecto.
    00:29 Puede crear una nueva instancia de servicio o seleccionar una instancia de servicio existente.
    00:39 Cuando vuelva a la página en la que está creando el experimento, simplemente vuelva a cargar la página y verá la nueva instancia de servicio.
    00:48 Para este primer experimento, seleccionará una muestra.
    00:52 El ejemplo de "marketing bancario" contiene datos de texto recopilados de llamadas telefónicas a un banco en respuesta a una campaña de marketing.
    01:01 Cuando selecciona una muestra, el nombre del experimento y la descripción se rellenan automáticamente, por lo que estará listo para crear el experimento.
    01:11 A continuación se muestra el generador de experimentos AutoAI.
    01:15 Dado que este experimento es de una muestra, el archivo de origen de marketing bancario ya está seleccionado.
    01:22 Y la columna que pronosticar también ya está seleccionada.
    01:26 En este caso, es la columna "y", que representa si un usuario se inscribirá en un depósito a plazo como parte de la campaña de marketing.
    01:35 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.
    01:47 En este caso, dado que la columna que pronosticar contiene valores "Y" o "N" (para sí o no) se ha elegido la clasificación binaria.
    01:57 La clase positiva es "Yes" y la métrica optimizada es el ROC AUC.
    02:03 La métrica de ROC AUC equilibra precisión, detalles y recuperación.
    02:10 Ahora ejecute el experimento y espere a que el "Marcador de interconexión" se llene.
    02:17 Durante el entrenamiento de AutoAI, su conjunto de datos se divide en dos partes: datos de entrenamiento y datos de reserva.
    02:24 Las etapas de entrenamiento de AutoAI utilizan los datos de entrenamiento para generar las interconexiones de modelos y las puntuaciones de validación cruzada se utilizan para clasificarlas después del entrenamiento.
    02:34 Después del entrenamiento, los datos de reserva se utilizan para la evaluación del modelo de interconexión resultante y el cálculo de la información de rendimiento, como las curvas ROC y las matrices de confusión.
    02:48 A continuación, AutoAI genera interconexiones utilizando diferentes estimadores, como el clasificador XGBoost, o mejoras, como la optimización de hiperparámetros y la ingeniería de características, con las interconexiones clasificadas en función de la métrica de precisión.
    03:06 La optimización de hiperparámetros es un mecanismo para explorar automáticamente un espacio de búsqueda de hiperparámetros potenciales, crear una serie de modelos y comparar los modelos utilizando métricas de interés.
    03:20 La ingeniería de características intenta transformar los datos sin formato en combinación con las características que mejor representan el problema para obtener la predicción más precisa.
    03:31 De acuerdo, la ejecución se ha completado.
    03:34 La leyenda explica dónde encontrar los datos, el algoritmo superior, las interconexiones y los transformadores de características en la correlación de relaciones.
    03:44 Puede ver el registro completo para ver los detalles completos.
    03:48 De forma predeterminada, verá el "mapa de relaciones", pero puede intercambiar vistas para ver el "mapa de progreso".
    03:57 Desplázate hacia abajo para echar un vistazo a la tabla de clasificación.
    04:01 Es posible que desee empezar con la comparación de las interconexiones.
    04:05 Este diagrama proporciona medidas para las ocho interconexiones, vistas por puntuación de validación cruzada o por puntuación de reserva.
    04:13 Puede ver las interconexiones clasificadas en función de otras métricas, como la precisión media.
    04:21 De nuevo en la pestaña "Resumen del experimento", expanda una interconexión para ver las medidas de evaluación del modelo y la curva ROC.
    04:30 Puede ver una interconexión individual para ver más detalles además de la matriz de confusión, la curva de recuperación de precisión, la información del modelo, las transformaciones de características y la importancia de la característica.
    04:49 Esta interconexión tenía la clasificación más alta, por lo que puede guardarla como un modelo de aprendizaje automático.
    04:55 Solo tiene que aceptar los valores predeterminados y guardar el modelo.
    05:01 Ahora que ha entrenado el modelo, está listo para ver el modelo y desplegarlo.
    05:06 La pestaña "Visión general" muestra un resumen de modelo y el esquema de entrada.
    05:12 Para desplegar el modelo, deberá promocionarlo a un espacio de despliegue.
    05:17 Dado que este proyecto aún no tiene un espacio de despliegue asociado, tendrá que configurar primero la asociación.
    05:25 Puede seleccionar un espacio de despliegue existente o crear un nuevo espacio de despliegue.
    05:31 Cuando cree un nuevo espacio, proporcione un nombre y una descripción y seleccione el servicio Cloud Object Storage y Watson Machine Learning.
    05:41 A continuación, cree el espacio.
    05:45 Ahora seleccione este nuevo espacio, añada una descripción para el modelo y pulse "Promocionar".
    05:53 Utilice el enlace para ir al espacio de despliegue.
    06:00 Aquí está el modelo que acaba de crear, que ahora puede desplegar.
    06:04 En este caso, será un despliegue en línea.
    06:08 Simplemente proporcione un nombre para el despliegue y pulse "Crear".
    06:12 A continuación, espere mientras se despliega el modelo.
    06:16 Cuando se haya completado el despliegue del modelo, visualice el despliegue.
    06:20 En la pestaña "Referencia de API", encontrará el punto final de puntuación para futuras referencias.
    06:26 También encontrará fragmentos de código para varios lenguajes de programación para utilizar este despliegue desde la aplicación.
    06:35 En la pestaña "Probar", puede probar la predicción del modelo.
    06:40 Puede especificar datos de entrada de prueba o pegar datos de entrada JSON y luego pulsar "Predecir".
    06:52 Esto muestra que hay una probabilidad muy alta de que la primera persona no se suscriba a un depósito a plazo y una alta probabilidad de que la segunda persona se suscriba a un depósito a plazo.
    07:06 Y, de vuelta en el proyecto, en la pestaña "Activos" encontrará el experimento AutoAI y el modelo.
    07:17 Busque más vídeos en la documentación de Cloud Pak for Data as a Service.

Pruebe un tutorial para crear un modelo utilizando AutoAI

En esta guía de aprendizaje, hará lo siguiente:

  • Cree un proyecto.
  • Asocie el servicio Watson Machine Learning al proyecto.
  • Cree un experimento de AutoAI en el proyecto.
  • Cree y entrene un modelo.
  • Guarde una interconexión como un modelo.
  • Despliegue el modelo.
  • Pruebe el modelo.

Le llevará aproximadamente 30 minutos el completar esta guía de aprendizaje.

Datos de ejemplo

Los datos de ejemplo utilizados en la experiencia guiada son datos de Marketing bancario utilizados para predecir si un cliente se va a inscribir en una promoción de marketing. Los datos se cargan automáticamente y están disponibles para que los utilice cuando selecciona Ejemplo de galería como base para su experimento.

Paso 1: Crear un proyecto y asociar el servicio Watson Machine Learning

{: #step1}Necesita un proyecto para almacenar el experimento de AutoAI.

  1. Si tiene un proyecto existente, ábralo. Si no tiene un proyecto existente, pulse Crear un proyecto en la página de inicio o pulse Nuevo proyecto en la página Proyectos.
  2. Seleccione Crear un proyecto vacío.
  3. En la pantalla Crear un proyecto, añada 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.

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

  7. En la sección Servicios de IBM, pulse Servicio asociado.
  8. Si todavía no tiene una instancia de servicio de Watson Machine Learning suministrada, pulse Nuevo servicio, seleccione Machine Learning y pulse Crear.
  9. Seleccione la instancia de Watson Machine Learning y pulse Servicio asociado.
  10. Cierre el recuadro de diálogo Servicio asociado.

Para obtener más información o ver un vídeo, consulte Creación de un proyecto.
Para obtener más información sobre los servicios asociados, consulte Adición de servicios asociados.

Paso 1: Crear y entrenar el modelo

{: #step2}Cree el experimento AutoAI, revise las interconexiones de modelo y seleccione una interconexión para guardar como modelo.

  1. En la pestaña Activos del proyecto, pulse Nuevo activo > Experimento AutoAI.
  2. En la página que se abre, rellene los campos básicos:
    1. Pulse Ejemplo de galería y seleccione Datos de ejemplo de marketing bancario. El nombre del proyecto y la descripción se rellenarán automáticamente.
    2. Confirme que la instancia de servicio de Machine Learning que ha asociado con el proyecto está seleccionada en la sección servicio Machine Learning .
  3. Pulse Crear.
  4. En este experimento de AutoAI de ejemplo, verá que los Datos de muestra de marketing bancario ya están seleccionados para su experimento.
  5. La columna denominada "Y" se selecciona automáticamente para el modelo. Esta columna se utilizará para predecir si es probable que un cliente se inscriba en una promoción de marketing. AutoAI analiza sus datos y determina que la columna Y contiene información de tipo True/False, lo que hace que estos datos sean adecuados para un modelo de clasificación binario. La métrica predeterminada para una clasificación binaria es ROC/AUC.
  6. 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 y la métrica optimizada es ROC AUC.
  7. Pulse Ejecutar experimento. A medida que se lleva a cabo la formación del modelo, verá un infográfico que muestra el proceso de crear las interconexiones.
  8. Una vez creada la interconexión, puede ver y comparar las interconexiones clasificadas en el marcador.
  9. Seleccione la interconexión más alta y elija Guardar modelo en el menú de acciones. Esto guarda la interconexión como un activo de aprendizaje automático en su proyecto.
  10. 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 Modelo de aprendizaje automático.

Paso 3: Promocionar el modelo a un espacio de despliegue y desplegar el modelo entrenado

Ahora puede promocionar el modelo a un espacio de despliegue para desplegar el modelo.

  1. Pulse Promocionar al espacio de despliegue.
  2. Seleccione un espacio de despliegue existente. Si no tiene un espacio de despliegue, puede crear uno nuevo:
    1. Proporcione un nombre de espacio y una descripción opcional.
    2. Seleccione un servicio de almacenamiento.
    3. Pulse Añadir servicio de aprendizaje automático.
    4. Pulse Crear.
    5. Pulse Cerrar.
  3. Haga clic en Promover.
  4. Cuando se haya promocionado el modelo, pulse el enlace espacio de despliegue en la notificación para ver el modelo en su proyecto. Como alternativa, puede utilizar el menú de navegación para ir a Despliegues y pulsar el nombre del espacio de despliegue.
  5. Junto al nombre del modelo, pulse el icono Desplegar.
    1. Seleccione En línea como Tipo de despliegue.
    2. Especifique un nombre para el despliegue.
    3. Pulse Crear.
  6. Pulse la pestaña Despliegues y espere a que se despliegue el modelo.
  7. Cuando se haya completado el despliegue, pulse el nombre del despliegue para ver la página de detalles del despliegue.

Paso 4: Probar el modelo desplegado

{: #step4}Utilice el despliegue para probar el modelo con datos nuevos.

  1. Pulse la pestaña 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 icono para Proporcionar datos de entrada como JSON y, a continuación, copie los siguientes datos de prueba y péguelos en el área para el texto JSON:

    {"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.

Próximos pasos

Ahora puede utilizar este conjunto de datos para un análisis adicional. Por ejemplo, usted u otros usuarios pueden realizar cualquiera de estas tareas:

Recursos

adicionales

Tema principal: Cómo empezar a crear, desplegar y confiar en modelos