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

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.

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.

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 , 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.

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.

   

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.

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 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.

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.

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 , 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"
                                ]
                        ]
                }
        ]
      }