0 / 0
Torna alla versione inglese della documentazione
Introduzione rapida: automatizzare il ciclo di vita di un modello con pipeline

Introduzione rapida: automatizzare il ciclo di vita di un modello con pipeline

È possibile creare una pipeline end-to-end per fornire dati concisi, pre - elaborati e aggiornati memorizzati in un'origine dati esterna. Leggi Watson Pipelines, guarda un video e fai un'esercitazione.

Servizi richiesti
Watson Studio
Watson Machine Learning

Il flusso di lavoro di base include le seguenti attività:

  1. Aprire il progetto sandbox. I progetti sono dove è possibile collaborare con altri per lavorare con i dati.
  2. Aggiungere connessioni e dati al progetto. È possibile aggiungere file CSV o dati da un'origine dati remota tramite una connessione.
  3. Creare una pipeline nel progetto.
  4. Aggiungere nodi alla pipeline per eseguire attività.
  5. Eseguire la pipeline e visualizzare i risultati.

Leggi le pipeline

L'editor Watson Pipelines fornisce un'interfaccia grafica per l'orchestrazione di un flusso end-to-end di asset dalla creazione alla distribuzione. Assemblare e configurare una pipeline per creare, addestrare, distribuire e aggiornare modelli di machine learning e script Python. L'inserimento di un modello in produzione è un processo in più fasi. I dati devono essere caricati ed elaborati, i modelli devono essere addestrati e ottimizzati prima di essere distribuiti e testati. I modelli di machine learning richiedono più osservazione, valutazione e aggiornamento nel tempo per evitare distorsioni o sviamenti.

Ulteriori informazioni sulle pipeline

Ulteriori informazioni su altri modi per creare modelli

Guarda un video sulle pipeline

Guarda il video Guarda questo video per visualizzare un'anteprima dei passi in questa esercitazione. Potresti notare lievi differenze nell'interfaccia utente mostrata nel video. Il video è destinato ad essere un compagno del tutorial scritto.

Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.

Prova un'esercitazione per creare un modello con Pipeline

Questa esercitazione ti guida nell'esplorazione e nell'esecuzione di una pipeline AI per creare e distribuire un modello. Il modello prevede se è probabile che un cliente sottoscriva un deposito a termine in base a una campagna di marketing.

In questa esercitazione, verranno completate le seguenti attività:

Il completamento di questa esercitazione richiede circa 30 minuti.

Dati di esempio

I dati di esempio utilizzati nell'esperienza guidata sono UCI: dati di marketing della banca utilizzati per prevedere se un cliente si iscrive a una promozione di marketing.

Foglio di calcolo del set di dati di marketing della Banca




  • Utilizzare il video immagine - in - immagine

    Suggerimento: avviare il video, quindi, scorrendo l'esercitazione, il video passa alla modalità immagine - in - immagine. Chiudere il sommario video per la migliore esperienza con l'immagine in foto. È possibile utilizzare la modalità immagine - in - immagine in modo da poter seguire il video mentre si completano le attività in questa esercitazione. Fare clic sulle date / ore per ciascuna attività da seguire.

    La seguente immagine animata mostra come utilizzare le funzioni di immagine video e indice:

    Come usare il picture-in-picture e i capitoli

    Ottieni aiuto nella community

    Se hai bisogno di aiuto con questa esercitazione, puoi fare una domanda o trovare una risposta nel forum di discussione della comunitàCloud Pak for Data.

    Configurare le finestre del browser

    Per un'esperienza ottimale durante il completamento di questa esercitazione, apri Cloud Pak for Data in una finestra del browser e tieni aperta questa pagina dell'esercitazione in un'altra finestra del browser per passare facilmente tra le due applicazioni. Prendi in considerazione la possibilità di organizzare le due finestre del browser fianco a fianco per renderle più semplici da seguire.

    Esercitazione e IU affiancati

    Suggerimento: se si incontra un tour guidato mentre si completa questa esercitazione nell'interfaccia utente, fare clic su Forse in seguito.

    Torna all'inizio


  • È necessario un progetto per memorizzare gli asset di Prompt Lab.

    Guarda un video per vedere come creare un progetto sandbox e associare un servizio. Quindi seguire la procedura per verificare di disporre di un progetto esistente o creare un progetto sandbox.

    Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.

    1. Dalla schermata home di watsonx , scorri alla sezione Projects . Se viene visualizzato un elenco di progetti, passare all' Attività 2. Se non viene visualizzato alcun progetto, attenersi alla seguente procedura per creare un progetto.

    2. Fare clic su Crea un progetto sandbox. Quando il progetto viene creato, verrà visualizzato il progetto sandbox nella sezione Progetti .

    Per ulteriori informazioni o per guardare un video, consultare Creazione di un progetto.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la schermata iniziale con la sandbox elencata nella sezione Progetti. Si è ora pronti ad aprire il Prompt Lab.

    Schermata principale con il progetto sandbox elencato.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 00:00.

    Gli spazi di distribuzione consentono di organizzare le risorse di supporto come i dati di input e gli ambienti, di distribuire modelli o funzioni per generare previsioni o soluzioni e di visualizzare o modificare i dettagli di distribuzione. Per creare uno spazio di distribuzione, attenersi alla seguente procedura.

    1. Dal watsonx Menu di navigazione, scegli Distribuzioni. Se si dispone di uno spazio di distribuzione esistente, è possibile passare all' Attività 2.

    2. Fare clic su Nuovo spazio di distribuzione.

    3. Immettere un nome per lo spazio di distribuzione.

    4. Selezionare un servizio di storage dall'elenco.

    5. Selezionare il servizio di machine learning di cui è stato eseguito il provisioning dall'elenco.

    6. Fare clic su Crea.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra lo spazio di installazione vuoto:

    La seguente immagine mostra lo spazio di distribuzione vuoto.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 00:00.

    Le pipeline vengono create ed eseguite in un progetto. Seguire questa procedura per creare una pipeline basata su un esempio in un progetto:

    1. Nella home page watsonx , seleziona la tua sandbox o un progetto esistente differente dall'elenco a discesa.

      Elenco a discesa dei progetti

    2. Fare clic su Personalizza viaggio personale, quindi selezionare Visualizza tutte le attività.

    3. Selezionare Automate model lifecycle.

    4. Fare clic su Esempio hub di risorse.

    5. Selezionare Orchestrate an AutoAI experimente fare clic su Next.

    6. Facoltativo: modificare il nome per la pipeline.

    7. Fare clic su Crea. La pipeline di esempio ottiene i dati di addestramento, addestra un modello di machine learning utilizzando lo strumento AutoAI e seleziona la pipeline migliore da salvare come modello. Il modello viene distribuito a un spazio.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la pipeline di esempio

    La seguente immagine mostra la pipeline di esempio.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 00:30.

    La pipeline di esempio include diversi nodi per creare asset e utilizzare tali asset per creare un modello. Seguire questa procedura per visualizzare i nodi:

    1. Fai clic sull'icona Oggetti globali Icona Oggetti globali per visualizzare i parametri della pipeline. Espandere il parametro deployment_space . Questa pipeline include un parametro per specificare uno spazio di distribuzione in cui viene archiviato e distribuito il modello migliore dell'esperimento AutoAI . Fare clic sulla X per chiudere la finestra.

    2. Fare doppio clic sul nodo Crea file di dati per verificare che sia configurato per accedere al dataset per l'esperimento. Fare clic su Annulla per chiudere il pannello delle proprietà.

    3. Fare doppio clic sul nodo Crea esperimento AutoAI . Visualizzare il nome dell'esperimento, l'ambito, dove è memorizzato l'esperimento, il tipo di previsione (classificazione binaria, classificazione multiclasse o regressione), la colonna di previsione e la classe positiva. Gli altri parametri sono tutti facoltativi. Fare clic su Annulla per chiudere il pannello delle proprietà.

    4. Fare doppio clic sul nodo Esegui esperimento AutoAI . Questo nodo esegue l'esperimento AutoAI onboarding - bank - marketing - prediction, addestra le pipeline e salva il modello migliore. I primi due parametri sono obbligatori. Il primo parametro prende l'output dal nodo Crea esperimento AutoAI come input per eseguire l'esperimento. Il secondo parametro prende l'output dal nodo Crea file di dati come input dei dati di addestramento per l'esperimento. Gli altri parametri sono tutti facoltativi. Fare clic su Annulla per chiudere il pannello delle proprietà.

    5. Fare doppio clic sul nodo Crea servizio web . Questo nodo crea una distribuzione con il nome onboarding-bank-marketing-prediction-deployment. Il primo parametro utilizza l'output del modello migliore dal nodo di esperimento Esegui AutoAI come input per creare la distribuzione con il nome specificato. Gli altri parametri sono tutti facoltativi. Fare clic su Annulla per chiudere il pannello delle proprietà.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra le proprietà per il nodo Crea servizio web. Si è ora pronti ad eseguire la pipeline di esempio.

    La seguente immagine riporta le proprietà per il nodo Crea servizio Web.


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 03:43.

    Ora che la pipeline è completa, segui questi passi per eseguire la pipeline:

    1. Dalla barra degli strumenti, fai clic su Run pipeline> Trial run.

    2. Nella sezione Valori per i parametri della pipeline , seleziona il tuo spazio di distribuzione:

      1. Fare clic su Seleziona spazio.

      2. Fare clic su Spazi.

      3. Selezionare lo spazio di distribuzione da Attività 1.

      4. Fare clic su Scegli.

    3. Fornire una chiave API se questa occasione è la prima volta che si esegue una pipeline. Gli asset pipeline utilizzano la tua chiave API IBM Cloud personale per eseguire le operazioni in modo sicuro senza interruzioni.

      • Se hai una chiave API esistente, fai clic su Utilizza chiave API esistente, incolla la chiave API e fai clic su Salva.

      • Se non hai una chiave API esistente, fai clic su Genera nuova chiave API, fornisci un nome e fai clic su Salva. Copia la chiave API e salva la chiave API per un utilizzo futuro. Al termine, fare clic su Chiudi.

    4. Fare clic su Esegui per avviare l'esecuzione della pipeline.

    5. Monitorare l'avanzamento della pipeline.

      1. Scorrere i log consolidati durante l'esecuzione della pipeline. Il completamento dell'esecuzione di prova potrebbe richiedere fino a 10 minuti.

      2. Al termine di ciascuna operazione, selezionare il nodo per tale operazione nell'area di disegno.

      3. Sulla scheda Node Inspector , visualizzare i dettagli dell'operazione.

      4. Fare clic sulla scheda Output nodo per visualizzare un riepilogo dell'output per ciascuna operazione del nodo.

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra la pipeline dopo aver completato l'esecuzione di prova. Si è ora pronti a esaminare gli asset creati dalla pipeline.

    Esecuzione della pipeline completata


    Torna all'inizio


  • video dell'esercitazione di anteprima Per visualizzare in anteprima questa attività, guardare il video a partire dalle 04:27.

    La pipeline ha creato diversi asset nello spazio di distribuzione. Seguire questi passi per visualizzare gli asset:

    1. Dal watsonx Menu di navigazione, scegli Distribuzioni.

    2. Fare clic sul nome per lo spazio di distribuzione.

    3. Sulla scheda Asset , visualizzare Tutti gli asset.

    4. Fare clic sull'asset di dati bank-marketing-data.csv . Il nodo Crea file di dati ha creato questo asset.

    5. Fare clic sul modello che inizia con il nome onboarding - bank - marketing - prediction. Il nodo Esegui esperimento AutoAI ha generato diversi candidati del modello e lo ha scelto come modello migliore.

    6. Fare clic su Dettagli modello e scorrere le informazioni sul modello e sull'addestramento.

    7. Fai clic sulla scheda Deployments e apri onboarding - bank - marketing - prediction - deployment.

      1. Fare clic sulla scheda Test .

      2. Fai clic sulla scheda JSON input .

      3. Sostituisci il testo di esempio con il seguente testo JSON e fai clic su Predict.

        {
          "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"
                                  ]
                          ]
                  }
          ]
        }
        

    Icona Checkpoint Controlla i tuoi progressi

    La seguente immagine mostra i risultati del test; la previsione è di approvare il candidato. I punteggi di confidenza per il tuo test potrebbero essere diversi dai punteggi mostrati nell'immagine.

    Previsioni dei risultati del test


    Torna all'inizio

Ulteriori informazioni

Argomento principale: Esercitazioni introduttive

Ricerca e risposta AI generativa
Queste risposte sono generate da un modello di lingua di grandi dimensioni in watsonx.ai basato sul contenuto della documentazione del prodotto. Ulteriori informazioni