0 / 0
Retourner à la version anglaise de la documentation
Démarrage rapide: Automatisation du cycle de vie d'un modèle avec des pipelines

Démarrage rapide: Automatisation du cycle de vie d'un modèle avec des pipelines

Vous pouvez créer un pipeline de bout en bout pour fournir des données concises, prétraitées et à jour stockées dans une source de données externe. Lisez la rubrique Watson Pipelines, puis regardez une vidéo et suivez un tutoriel.

Services requis
Watson Studio
Watson Machine Learning

Votre flux de travaux de base inclut les tâches suivantes :

  1. Ouvrez votre projet de bac à sable. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
  2. Ajoutez des connexions et des données au projet. Vous pouvez ajouter des fichiers CSV ou des données à partir d'une source de données distante via une connexion.
  3. Créez un pipeline dans le projet.
  4. Ajoutez des noeuds au pipeline pour effectuer des tâches.
  5. Exécutez le pipeline et affichez les résultats.

En savoir plus sur les pipelines

L'éditeur Watson Pipelines fournit une interface graphique permettant d'orchestrer un flux d'actifs de bout en bout depuis la création jusqu'au déploiement. Assemblez et configurez un pipeline pour créer, former, déployer et mettre à jour des modèles d'apprentissage machine et des scripts Python. La mise en production d'un modèle est un processus en plusieurs étapes. Les données doivent être chargées et traitées, les modèles doivent être entraînés et optimisés avant d'être déployés et testés. Les modèles d'apprentissage automatique nécessitent plus d'observation, d'évaluation et de mise à jour au fil du temps pour éviter tout biais ou dérive.

En savoir plus sur les pipelines

En savoir plus sur les autres méthodes de génération de modèles

Regardez une vidéo sur les pipelines

Regarder la vidéo Regardez cette vidéo pour prévisualiser les étapes de ce tutoriel. Vous pouvez remarquer de légères différences dans l'interface utilisateur affichée dans la vidéo. La vidéo est destinée à être un compagnon du tutoriel écrit.

Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.

Essayez un tutoriel pour créer un modèle avec des pipelines

Ce tutoriel vous guide tout au long de l'exploration et de l'exécution d'un pipeline d'IA pour générer et déployer un modèle. Le modèle prévoit si un client est susceptible de souscrire à un dépôt à terme basé sur une campagne marketing.

Dans ce tutoriel, vous exécutez les tâches suivantes :

L'exécution de ce tutoriel prend environ 30 minutes.

Données de démonstration

L'exemple de données utilisé dans l'expérience guidée est UCI: Données marketing de banque utilisées pour prévoir si un client s'inscrit à une promotion marketing.

Feuille de calcul de l'ensemble de données marketing de la Banque




  • Utiliser la vidéo image-in-picture

    Astuce: Démarrez la vidéo, puis au fur et à mesure que vous faites défiler le tutoriel, la vidéo passe en mode image-en-image. Fermez la table des matières vidéo pour la meilleure expérience avec l'image en image. Vous pouvez utiliser le mode image-dans-image pour pouvoir suivre la vidéo à mesure que vous effectuez les tâches de ce tutoriel. Cliquez sur les horodatages de chaque tâche à suivre.

    L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:

    Comment utiliser l'image en image et les chapitres

    Obtenir de l'aide dans la communauté

    Si vous avez besoin d'aide pour ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la communautéCloud Pak for Data.

    Configurez les fenêtres de votre navigateur

    Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.

    Tutoriel et interface utilisateur côte à côte

    Astuce: Si vous rencontrez une visite guidée lors de l'exécution de ce tutoriel dans l'interface utilisateur, cliquez sur Peut-être plus tard.

    Retour en haut


  • Vous avez besoin d'un projet pour stocker les ressources Prompt Lab.

    Regardez une vidéo pour voir comment créer un projet de bac à sable et associer un service. Suivez ensuite les étapes pour vérifier que vous disposez d'un projet existant ou créez un projet de bac à sable.

    Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.

    1. A partir de l'écran d'accueil watsonx , faites défiler l'écran jusqu'à la section Projects . Si vous voyez des projets répertoriés, passez à la Tâche 2. Si vous ne voyez aucun projet, procédez comme suit pour créer un projet.

    2. Cliquez sur Créer un projet de bac à sable. Une fois le projet créé, vous verrez le projet de bac à sable dans la section Projets .

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

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre l'écran d'accueil avec le bac à sable répertorié dans la section Projets. Vous êtes maintenant prêt à ouvrir Prompt Lab.

    Ecran d'accueil avec le projet de bac à sable répertorié.


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:16.

    Les espaces de déploiement vous aident à organiser les ressources de support telles que les données d'entrée et les environnements, à déployer des modèles ou des fonctions pour générer des prévisions ou des solutions et à afficher ou éditer les détails du déploiement. Procédez comme suit pour créer un espace de déploiement.

    1. Dans le menu de navigation watsonx Menu de navigation, sélectionnez Déploiements. Si vous disposez d'un espace de déploiement existant, vous pouvez passer à la Tâche 2.

    2. Cliquez sur Nouvel espace de déploiement.

    3. Entrez un nom pour votre espace de déploiement.

    4. Sélectionnez un service de stockage dans la liste.

    5. Sélectionnez votre service d'apprentissage automatique mis à disposition dans la liste.

    6. Cliquez sur Créer.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre l'espace de déploiement vide:

    L'image suivante montre l'espace de déploiement vide.


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:08.

    Vous créez et exécutez des pipelines dans un projet. Procédez comme suit pour créer un pipeline basé sur un exemple dans un projet:

    1. Sur la page d'accueil watsonx , sélectionnez votre bac à sable ou un autre projet existant dans la liste déroulante.

      Liste déroulante des projets

    2. Cliquez sur Personnaliser mon parcours, puis sélectionnez Afficher toutes les tâches.

    3. Sélectionnez Automatiser le cycle de vie du modèle.

    4. Cliquez sur Exemple de concentrateur de ressources.

    5. Sélectionnez Orchestration d'une expérimentation AutoAIet cliquez sur Suivant.

    6. Facultatif: modifiez le nom du pipeline.

    7. Cliquez sur Créer. L'exemple de pipeline obtient des données d'entraînement, entraîne un modèle d'apprentissage automatique à l'aide de l'outil AutoAI et sélectionne le meilleur pipeline à enregistrer en tant que modèle. Le modèle est déployé dans un espace.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre l'exemple de pipeline.

    L'image suivante montre l'exemple de pipeline.


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:30.

    L'exemple de pipeline inclut plusieurs noeuds pour créer des actifs et les utiliser pour générer un modèle. Pour afficher les noeuds, procédez comme suit:

    1. Cliquez sur l'icône Objets globaux Icône d'objets globaux pour afficher les paramètres de pipeline. Développez le paramètre deployment_space . Ce pipeline inclut un paramètre permettant de spécifier un espace de déploiement dans lequel le meilleur modèle de l'expérimentation AutoAI est stocké et déployé. Cliquez sur le X pour fermer la fenêtre.

    2. Cliquez deux fois sur le noeud Créer un fichier de données pour voir s'il est configuré pour accéder au jeu de données de l'expérimentation. Cliquez sur Annuler pour fermer la sous-fenêtre des propriétés.

    3. Cliquez deux fois sur le noeud Créer une expérimentation AutoAI . Affichez le nom de l'expérimentation, la portée, où l'expérimentation est stockée, le type de prévision (classification binaire, classification multiclasse ou régression), la colonne de prévision et la classe positive. Les autres paramètres sont tous facultatifs. Cliquez sur Annuler pour fermer la sous-fenêtre des propriétés.

    4. Cliquez deux fois sur le noeud Exécuter l'expérimentation AutoAI . Ce noeud exécute l'expérimentation AutoAI onboarding-bank-marketing-prediction, entraîne les pipelines, puis sauvegarde le meilleur modèle. Les deux premiers paramètres sont obligatoires. Le premier paramètre prend la sortie du noeud Créer une expérimentation AutoAI comme entrée pour exécuter l'expérimentation. Le second paramètre prend la sortie du noeud Créer un fichier de données comme entrée de données d'apprentissage pour l'expérimentation. Les autres paramètres sont tous facultatifs. Cliquez sur Annuler pour fermer la sous-fenêtre des propriétés.

    5. Cliquez deux fois sur le noeud Créer un service Web . Ce noeud crée un déploiement nommé onboarding-bank-marketing-prediction-deployment. Le premier paramètre utilise la meilleure sortie de modèle du noeud d'expérimentation Exécuter AutoAI comme entrée pour créer le déploiement avec le nom spécifié. Les autres paramètres sont tous facultatifs. Cliquez sur Annuler pour fermer la sous-fenêtre des propriétés.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante présente les propriétés du noeud Créer un service Web. Vous êtes maintenant prêt à exécuter l'exemple de pipeline.

    L'image suivante présente les propriétés du noeud Créer un service Web.


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 03:43.

    Maintenant que le pipeline est terminé, procédez comme suit pour l'exécuter:

    1. Dans la barre d'outils, cliquez sur Exécuter le pipeline > Exécuter l'essai.

    2. Dans la section Valeurs des paramètres de pipeline , sélectionnez votre espace de déploiement:

      1. Cliquez sur Sélectionner un espace.

      2. Cliquez sur Espaces.

      3. Sélectionnez votre espace de déploiement dans la Tâche 1.

      4. Cliquez sur Choisir.

    3. Fournissez une clé d'API si c'est la première fois que vous exécutez un pipeline. Les actifs de pipeline utilisent votre clé d'API IBM Cloud personnelle pour exécuter des opérations en toute sécurité sans interruption.

      • Si vous disposez d'une clé d'API existante, cliquez sur Utiliser une clé d'API existante, collez la clé d'API, puis cliquez sur Sauvegarder.

      • Si vous ne disposez pas d'une clé d'API existante, cliquez sur Générer une nouvelle clé d'API, indiquez un nom et cliquez sur Sauvegarder. Copiez la clé d'API, puis sauvegardez-la pour une utilisation ultérieure. Lorsque vous avez terminé, cliquez sur Fermer.

    4. Cliquez sur Exécuter pour lancer l'exécution du pipeline.

    5. Surveillez la progression du pipeline.

      1. Faites défiler les journaux consolidés pendant que le pipeline est en cours d'exécution. L'exécution de l'essai peut prendre jusqu'à 10 minutes.

      2. A mesure que chaque opération se termine, sélectionnez le noeud correspondant à cette opération dans l'espace de travail.

      3. Dans l'onglet Inspecteur de noeud , affichez les détails de l'opération.

      4. Cliquez sur l'onglet Sortie de noeud pour afficher un récapitulatif de la sortie de chaque opération de noeud.

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre le pipeline une fois l'exécution de l'essai terminée. Vous êtes maintenant prêt à passer en revue les actifs créés par le pipeline.

    Exécution du pipeline terminée


    Retour en haut


  • vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 04:27.

    Le pipeline a créé plusieurs actifs dans l'espace de déploiement. Pour afficher les actifs, procédez comme suit:

    1. Dans le menu de navigation watsonx Menu de navigation, sélectionnez Déploiements.

    2. Cliquez sur le nom de votre espace de déploiement.

    3. Dans l'onglet Actifs , affichez Tous les actifs.

    4. Cliquez sur l'actif de données bank-marketing-data.csv . Le noeud Créer un fichier de données a créé cet actif.

    5. Cliquez sur le modèle commençant par le nom onboarding-bank-marketing-prediction. Le noeud Exécuter l'expérimentation AutoAI a généré plusieurs modèles candidats et a choisi ce modèle comme meilleur modèle.

    6. Cliquez sur l'onglet Détails du modèle et faites défiler les informations sur le modèle et l'entraînement.

    7. Cliquez sur l'onglet Déploiements et ouvrez onboarding-bank-marketing-prediction-deployment.

      1. Cliquez sur l'onglet Tester.

      2. Cliquez sur l'onglet Entrée JSON .

      3. Remplacez l'exemple de texte par le texte JSON suivant, puis cliquez sur Prévoir.

        {
          "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"
                                  ]
                          ]
                  }
          ]
        }
        

    Icône de point de contrôle Vérifiez votre progression

    L'image suivante montre les résultats du test ; la prédiction est d'approuver le candidat. Les scores de confiance de votre test peuvent être différents des scores affichés dans l'image.

    Prévisions des résultats de test


    Retour en haut

En savoir plus

Rubrique parent: Tutoriels de démarrage rapide

Recherche et réponse à l'IA générative
Ces réponses sont générées par un modèle de langue de grande taille dans watsonx.ai en fonction du contenu de la documentation du produit. En savoir plus