Sie benötigen ein Projekt, um Prompt Lab-Assets zu speichern.

Sehen Sie sich ein Video an, um zu sehen, wie ein Sandboxprojekt erstellt und ein Service zugeordnet wird. Führen Sie anschließend die Schritte aus, um zu überprüfen, ob ein Projekt vorhanden ist, oder um ein Sandboxprojekt zu erstellen.

1. Blättern Sie in der Hauptanzeige von watsonx zum Bereich Projekte . Wenn Projekte aufgelistet werden, fahren Sie mit Aufgabe 2fort. Wenn keine Projekte angezeigt werden, führen Sie die folgenden Schritte aus, um ein Projekt zu erstellen.

2. Klicken Sie auf Sandbox-Projekt erstellen. Nach der Erstellung des Projekts wird das Sandboxprojekt im Abschnitt Projekte angezeigt.

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 00:16 an.

Bereitstellungsbereiche helfen Ihnen, unterstützende Ressourcen wie Eingabedaten und Umgebungen zu organisieren, Modelle oder Funktionen bereitzustellen, um Vorhersagen oder Lösungen zu generieren, und Bereitstellungsdetails anzuzeigen oder zu bearbeiten. Führen Sie die folgenden Schritte aus, um einen Bereitstellungsbereich zu erstellen.

1. Wählen Sie im watsonx ' den Punkt Einsätze. Wenn Sie über einen vorhandenen Bereitstellungsbereich verfügen, können Sie mit Task 2fortfahren.

2. Klicken Sie auf Neuer Bereitstellungsbereich.

3. Geben Sie einen Namen für Ihren Bereitstellungsbereich ein.

4. Wählen Sie einen Speicherservice aus der Liste aus.

5. Wählen Sie Ihren bereitgestellten Machine Learning-Service aus der Liste aus.

6. Klicken Sie auf Erstellen.

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

Sie erstellen Pipelines und führen sie in einem Projekt aus. Führen Sie die folgenden Schritte durch, um eine Pipeline auf der Basis eines Beispiels in einem Projekt zu erstellen:

1. Wählen Sie auf der watsonx -Homepage Ihre Sandbox oder ein anderes vorhandenes Projekt aus der Dropdown-Liste aus.

   

2. Klicken Sie auf Customize my journeyund wählen Sie dann View all tasksaus.

3. Wählen Sie Modelllebenszyklus automatisierenaus.

4. Klicken Sie auf Beispiel für Ressourcenhub.

5. Wählen Sie AutoAI -Experiment koordinierenaus und klicken Sie auf Next.

6. Optional: Ändern Sie den Namen für die Pipeline.

7. Klicken Sie auf Erstellen. Die Beispielpipeline ruft Trainingsdaten ab, trainiert ein Modell für maschinelles Lernen mithilfe des Tools AutoAI und wählt die beste Pipeline zum Speichern als Modell aus. Das Modell wird in einem Bereich bereitgestellt.

Um eine Vorschau auf diese Aufgabe zu erhalten, sehen Sie sich das Video ab 00:30 an.

Die Beispielpipeline enthält verschiedene Knoten zum Erstellen von Assets und zum Erstellen eines Modells. Führen Sie die folgenden Schritte aus, um die Knoten anzuzeigen:

1. Klicken Sie auf das Symbol für globale Objekte ' , um die Pipeline-Parameter anzuzeigen. Erweitern Sie den Parameter deployment_space . Diese Pipeline enthält einen Parameter zur Angabe eines Bereitstellungsbereichs, in dem das beste Modell aus dem Experiment AutoAI gespeichert und implementiert wird. Klicken Sie auf das X , um das Fenster zu schließen.

2. Doppelklicken Sie auf den Knoten Datendatei erstellen , um zu sehen, dass er für den Zugriff auf das Dataset für das Experiment konfiguriert ist. Klicken Sie auf Abbrechen , um das Eigenschaftsfenster zu schließen.

3. Doppelklicken Sie auf den Knoten AutoAI -Experiment erstellen . Zeigen Sie den Namen des Experiments, den Bereich, in dem das Experiment gespeichert ist, den Vorhersagetyp (binäre Klassifikation, Klassifizierung mit mehreren Klassen oder Regression), die Vorhersagespalte und die positive Klasse an. Die übrigen Parameter sind optional. Klicken Sie auf Abbrechen , um das Eigenschaftsfenster zu schließen.

4. Doppelklicken Sie auf den Knoten AutoAI -Experiment ausführen . Dieser Knoten führt das AutoAI -Experiment 'onboarding-bank-marketing-prediction' aus, trainiert die Pipelines und speichert dann das beste Modell. Die ersten beiden Parameter sind erforderlich. Der erste Parameter verwendet die Ausgabe des Knotens AutoAI -Experiment erstellen als Eingabe für die Ausführung des Experiments. Der zweite Parameter verwendet die Ausgabe des Knotens Datendatei erstellen als Trainingsdateneingabe für das Experiment. Die übrigen Parameter sind optional. Klicken Sie auf Abbrechen , um das Eigenschaftsfenster zu schließen.

5. Klicken Sie doppelt auf den Knoten Web-Service erstellen . Dieser Knoten erstellt eine Implementierung mit dem Namen onboarding-bank-marketing-prediction-deployment. Der erste Parameter verwendet die beste Modellausgabe des Experimentknotens AutoAI als Eingabe zum Erstellen der Bereitstellung mit dem angegebenen Namen. Die übrigen Parameter sind optional. Klicken Sie auf Abbrechen , um das Eigenschaftsfenster zu schließen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 03:43 an.

Führen Sie nach Abschluss der Pipeline die folgenden Schritte aus, um die Pipeline auszuführen:

1. Klicken Sie in der Symbolleiste auf Pipeline ausführen > Testlauf.

2. Wählen Sie im Abschnitt Werte für Pipelineparameter Ihren Bereitstellungsbereich aus:

   1. Klicken Sie auf Bereich auswählen.

   2. Klicken Sie auf Spaces.

   3. Wählen Sie Ihren Bereitstellungsbereich in Task 1aus.

   4. Klicken Sie auf Auswählen.

3. Geben Sie einen API-Schlüssel an, wenn Sie zum ersten Mal eine Pipeline ausführen. Pipeline-Assets verwenden Ihren persönlichen IBM Cloud -API-Schlüssel, um Operationen ohne Unterbrechung sicher auszuführen.

   • Wenn Sie einen vorhandenen API-Schlüssel haben, klicken Sie auf Vorhandenen API-Schlüssel verwenden, fügen Sie den API-Schlüssel ein und klicken Sie auf Speichern.

   • Wenn kein API-Schlüssel vorhanden ist, klicken Sie auf Neuen API-Schlüssel generieren, geben Sie einen Namen an und klicken Sie auf Speichern. Kopieren Sie den API-Schlüssel und speichern Sie den API-Schlüssel zur späteren Verwendung. Klicken Sie anschließend auf Schließen.

4. Klicken Sie auf Ausführen , um die Ausführung der Pipeline zu starten.

5. Überwachen Sie den Fortschritt der Pipeline.

   1. Blättern Sie durch konsolidierte Protokolle, während die Pipeline ausgeführt wird. Die Testausführung kann bis zu 10 Minuten dauern.

   2. Wählen Sie nach Abschluss jeder Operation den Knoten für diese Operation im Erstellungsbereich aus.

   3. Zeigen Sie auf der Registerkarte Node Inspector die Details der Operation an.

   4. Klicken Sie auf die Registerkarte Knotenausgabe , um eine Zusammenfassung der Ausgabe für jede Knotenoperation anzuzeigen.

Um eine Vorschau auf diese Aufgabe zu erhalten, sehen Sie sich das Video ab 04:27 an.

Die Pipeline hat mehrere Assets im Bereitstellungsbereich erstellt. Führen Sie die folgenden Schritte aus, um die Assets anzuzeigen:

1. Wählen Sie im watsonx ' den Punkt Einsätze.

2. Klicken Sie auf den Namen Ihres Bereitstellungsbereichs.

3. Zeigen Sie auf der Registerkarte Assets Alle Assetsan.

4. Klicken Sie auf das Datenasset bank-marketing-data.csv . Dieses Asset wurde vom Knoten Datendatei erstellen erstellt.

5. Klicken Sie auf das Modell, das mit dem Namen onboarding-bank-marketing-predictionbeginnt. Der Knoten AutoAI -Experiment ausführen hat mehrere Modellkandidaten generiert und dieses Modell als das beste Modell ausgewählt.

6. Klicken Sie auf die Registerkarte Modelldetails und blättern Sie durch die Modell-und Trainingsinformationen.

7. Klicken Sie auf die Registerkarte Bereitstellungen und öffnen Sie onboarding-bank-marketing-prediction-deployment.

   1. Klicken Sie auf die Registerkarte Test.

   2. Klicken Sie auf die Registerkarte JSON-Eingabe .

   3. Ersetzen Sie den Beispieltext durch den folgenden JSON-Text und klicken Sie auf Vorhersagen.

      {
        "input_data": [
                {
                        "fields": [
                                "age",
                                "job",
                                "marital",
                                "education",
                                "default",
                                "balance",
                                "housing",
                                "loan",
                                "contact",
                                "day",
                                "month",
                                "duration",
                                "campaign",
                                "pdays",
                                "previous",
                                "poutcome"
                        ],
                        "values": [
                                [
                                        35,
                                        "management",
                                        "married",
                                        "tertiary",
                                        "no",
                                        0,
                                        "yes",
                                        "no",
                                        "cellular",
                                        1,
                                        "jun",
                                        850,
                                        10,
                                        -1,
                                        4,
                                        "unknown"
                                ]
                        ]
                }
        ]
      }