0 / 0
Zurück zur englischen Version der Dokumentation
Schnelleinstieg: Lebenszyklus für ein Modell mit Pipelines automatisieren

Schnelleinstieg: Lebenszyklus für ein Modell mit Pipelines automatisieren

Sie können eine End-to-End-Pipeline erstellen, um kompakte, vorverarbeitete und aktuelle Daten bereitzustellen, die in einer externen Datenquelle gespeichert sind. Lesen Sie mehr über Orchestration Pipelines, sehen Sie sich dann ein Video an und machen Sie ein Lernprogramm.

Erforderliche Services
Watson Studio
Watson Machine Learning

Ihr grundlegender Workflow umfasst die folgenden Tasks:

  1. Öffnen Sie Ihr Sandboxprojekt. Projekte sind der Ort, an dem Sie gemeinsam mit anderen mit Daten arbeiten.
  2. Verbindungen und Daten zum Projekt hinzufügen. Sie können CSV-Dateien oder Daten aus einer fernen Datenquelle über eine Verbindung hinzufügen.
  3. Erstellen Sie eine Pipeline im Projekt.
  4. Fügen Sie Knoten zur Pipeline hinzu, um Tasks auszuführen.
  5. Führen Sie die Pipeline aus und zeigen Sie die Ergebnisse an.

Informationen zu Pipelines lesen

Der Pipelines-Editor stellt eine grafische Schnittstelle zur Orchestrierung eines End-to-End-Ablaufs von Assets von der Erstellung bis zur Implementierung bereit. Sie können eine Pipeline zusammenstellen und konfigurieren, um Modelle für maschinelles Lernen und Python-Scripts zu erstellen, zu trainieren, bereitzustellen und zu aktualisieren. Die Inbetriebnahme eines Modells ist ein mehrstufiger Prozess. Daten müssen geladen und verarbeitet werden, Modelle müssen trainiert und optimiert werden, bevor sie bereitgestellt und getestet werden. Die Modelle für maschinelles Lernen erfordern mehr Beobachtung, Auswertung und Aktualisierung im Laufe der Zeit, um Verzerrungen oder Drift zu vermeiden.

Weitere Informationen zu Pipelines

Weitere Möglichkeiten zum Erstellen von Modellen

Video zu Pipelines ansehen

Video ansehen Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Sie bemerken möglicherweise geringfügige Unterschiede in der Benutzerschnittstelle, die im Video angezeigt wird. Das Video ist als Begleiter zum schriftlichen Lernprogramm gedacht.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.


Lernprogramm zum Erstellen eines Modells mit Pipelines ausprobieren

Dieses Lernprogramm führt Sie durch die Erkundung und Ausführung einer KI-Pipeline zum Erstellen und Bereitstellen eines Modells. Das Modell sagt voraus, ob ein Kunde wahrscheinlich eine Termineinlage auf der Basis einer Marketingkampagne abonniert.

In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:

Für dieses Lernprogramm benötigen Sie ungefähr 30 Minuten.

Beispieldaten

Die Beispieldaten, die in der geführten Erfahrung verwendet werden, sind UCI: Bankmarketingdaten, die verwendet werden, um vorherzusagen, ob sich ein Kunde für eine Marketingaktion registriert.

Arbeitsblatt zum Dataset 'Bankmarketing'





Tipps zum Durcharbeiten dieses LernprogrammsIm Folgenden finden Sie einige Tipps für den erfolgreichen Abschluss dieses Lernprogramms.

Verwenden Sie das Videobild im Bild

Tipp: Starten Sie das Video. Wenn Sie dann durch das Lernprogramm blättern, wechselt das Video in den Bildmodus. Schließen Sie das Video-Inhaltsverzeichnis für die beste Erfahrung mit Bild-in-Bild. Sie können den Modus "Bild im Bild" verwenden, damit Sie dem Video folgen können, während Sie die Tasks in diesem Lernprogramm ausführen. Klicken Sie auf die Zeitmarken für jede zu befolgende Task.

Die folgende animierte Abbildung zeigt, wie die Funktionen für Videobilder und Inhaltsverzeichnisse verwendet werden:

Verwendung von Bildern und Kapiteln

Hilfe in der Community anfordern

Wenn Sie Hilfe zu diesem Lernprogramm benötigen, können Sie eine Frage stellen oder eine Antwort im Diskussionsforum derwatsonx -Communityfinden.

Browserfenster einrichten

Damit Sie dieses Lernprogramm optimal nutzen können, öffnen Sie Cloud Pak for Data in einem Browserfenster und lassen Sie diese Lernprogrammseite in einem anderen Browserfenster geöffnet, um einfach zwischen den beiden Anwendungen zu wechseln. Es empfiehlt sich, die beiden Browserfenster nebeneinander anzuordnen, um die weitere Arbeit zu erleichtern.

Paralleles Lernprogramm und Benutzerschnittstelle

Tipp: Wenn Sie beim Durcharbeiten dieses Lernprogramms in der Benutzerschnittstelle auf eine geführte Tour stoßen, klicken Sie auf Vielleicht später.



Aufgabe 1: Projekt öffnen

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.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

  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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Hauptanzeige mit der im Abschnitt "Projekte" aufgelisteten Sandbox. Sie können nun das Prompt Lab öffnen.

Hauptanzeige mit aufgelisteter Sandbox-Projekt.




Task 2: Bereitstellungsbereich erstellen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:16an.

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 -Navigationsmenü Navigationsmenüdie Option Bereitstellungen. 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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt den leeren Bereitstellungsbereich:

Die folgende Abbildung zeigt den leeren Bereitstellungsbereich.




Aufgabe 3: Beispielpipeline erstellen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:08an.

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.

    Dropdown-Liste für Projektliste

  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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Beispielpipeline.

Die folgende Abbildung zeigt die Beispielpipeline.




Aufgabe 4: Vorhandene Pipeline untersuchen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:30an.

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 Globale Objekte Globale Objekte , um die Pipelineparameter 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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Eigenschaften für den Web-Service-Knoten "Create". Sie können nun die Beispielpipeline ausführen.

In der folgenden Abbildung sind die Eigenschaften für den Knoten "Create web service" dargestellt.




Aufgabe 5: Pipeline ausführen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 03:43an.

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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Pipeline nach Abschluss der Testausführung. Sie können nun die von der Pipeline erstellten Assets überprüfen.

Ausführung der Pipeline abgeschlossen




Aufgabe 6. Assets, bereitgestelltes Modell und Onlinebereitstellung anzeigen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 04:27an.

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

  1. Wählen Sie im watsonx -Navigationsmenü Navigationsmenüdie Option Bereitstellungen.

  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"
                                ]
                        ]
                }
        ]
      }
      

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Ergebnisse des Tests. Die Vorhersage besteht darin, den Antragsteller zu genehmigen. Die Verlässlichkeitsscores für Ihren Test können sich von den Scores in der Abbildung unterscheiden.

Vorhersagen der Testergebnisse



Nächste Schritte

Weitere Informationen

Übergeordnetes Thema: Lernprogramme für den Schnelleinstieg

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen