0 / 0
영어 버전 문서로 돌아가기
빠른 시작: 파이프라인을 사용하여 모델의 라이프사이클을 자동화합니다.

빠른 시작: 파이프라인을 사용하여 모델의 라이프사이클을 자동화합니다.

엔드-투-엔드 파이프라인을 작성하여 외부 데이터 소스에 저장된 간결하고 사전 처리된 최신 데이터를 전달할 수 있습니다. Watson Pipelines에 대해 읽은 후 비디오를 보고 튜토리얼을 사용하십시오.

필수 서비스
Watson Studio
Watson Machine Learning

기본 워크플로우에는 다음 태스크가 포함됩니다.

  1. 샌드박스 프로젝트를 여십시오. 프로젝트는 데이터 작업을 위해 다른 사용자와 협업하는 위치입니다.
  2. 프로젝트에 연결 및 데이터를 추가하십시오. 연결을 통해 원격 데이터 소스에서 데이터나 CSV 파일을 추가할 수 있습니다.
  3. 프로젝트에서 파이프라인을 작성하십시오.
  4. 파이프라인에 노드를 추가하여 태스크를 수행하십시오.
  5. 파이프라인을 실행하고 결과를 보십시오.

파이프라인 정보 Tivoli되 하 작성

Watson Pipelines 편집기는 작성부터 배치까지 엔드-투-엔드 자산 플로우를 조정하기 위한 그래픽 인터페이스를 제공합니다. 머신 러닝 모델 및 Python 스크립트를 작성, 훈련, 배치 및 업데이트하도록 파이프라인을 어셈블 및 구성하십시오. 모델을 프로덕션에 넣는 것은 다단계 프로세스입니다. 데이터를 로드하고 처리해야 하며, 모델을 배치하고 테스트하기 전에 훈련하고 튜닝해야 합니다. 기계 학습 모델은 편향성이나 드리프트를 피하려면 시간 경과에 따라 더 많은 관측, 평가 및 업데이트가 필요합니다.

파이프라인에 대해 자세히 알아보기

모델을 빌드하는 다른 방법에 대해 학습

파이프라인에 대한 비디오 보기

비디오 보기 비디오를 시청하면 이 학습서의 단계를 미리 볼 수 있습니다. 비디오에 표시된 사용자 인터페이스에서 약간의 차이가 있을 수 있습니다. 이 비디오는 작성된 학습서와 함께 사용하기 위한 것입니다.

이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.

파이프라인을 사용하여 모델을 작성하기 위한 튜토리얼 시도

이 튜토리얼에서는 모델을 빌드하고 배치하기 위해 AI 파이프라인을 탐색하고 실행하는 과정을 안내합니다. 모델은 고객이 마케팅 캠페인을 기반으로 하는 규정 예치금에 가입할 가능성이 있는지 여부를 예측합니다.

이 학습서에서는 다음 태스크를 완료합니다.

이 튜토리얼을 완료하려면 약 30분 정도 소요됩니다.

샘플 데이터

안내된 경험에서 사용되는 샘플 데이터는 UCI: 고객이 마케팅 프로모션에 등록하는지 여부를 예측하는 데 사용되는 은행 마케팅 데이터입니다.

은행 마케팅 데이터 세트의 스프레드시트




  • 비디오 사진 사용

    팁: 비디오를 시작한 후 학습을 통해 화면이동하면 비디오가 그림 모드로 이동합니다. 사진에서 가장 좋은 경험을 얻으려면 비디오 목차를 닫으십시오. 그림 모드를 사용하여 이 학습서의 태스크를 완료하면서 비디오를 따라갈 수 있습니다. 각 태스크에 대한 시간소인을 클릭하여 수행하십시오.

    다음 애니메이션 이미지는 비디오 픽처 인 픽처 및 목차 기능을 사용하는 방법을 보여줍니다.

    그림 및 장을 사용하는 방법

    커뮤니티에서 도움 받기

    이 튜토리얼에 대한 도움이 필요한 경우 Cloud Pak for Data 커뮤니티 토론 포럼에서 질문하거나 응답을 찾을 수 있습니다.

    브라우저 창 설정

    이 튜토리얼을 완료하는 최적의 경험을 위해 한 브라우저 창에서 Cloud Pak for Data 를 열고 두 애플리케이션 간에 쉽게 전환할 수 있도록 다른 브라우저 창에서 이 튜토리얼 페이지를 열어 두십시오. 따라하기 쉽도록 두 개의 브라우저 창을 나란히 배열하는 것을 고려하십시오.

    병행 학습서 및 UI

    팁: 사용자 인터페이스에서 이 학습서를 완료하는 동안 안내식 둘러보기가 표시되면 나중에를 클릭하십시오.

    맨 위로


  • Prompt Lab 자산을 저장하려면 프로젝트가 필요합니다.

    샌드박스 프로젝트를 작성하고 서비스를 연관시키는 방법을 보려면 비디오를 보십시오. 그런 다음 단계에 따라 기존 프로젝트가 있는지 확인하거나 샌드박스 프로젝트를 작성하십시오.

    이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.

    1. watsonx 홈 화면에서 프로젝트 섹션으로 스크롤하십시오. 나열된 프로젝트가 있으면 태스크 2로 건너뛰십시오. 프로젝트가 표시되지 않으면 다음 단계에 따라 프로젝트를 작성하십시오.

    2. 샌드박스 프로젝트 작성을 클릭하십시오. 프로젝트가 작성되면 프로젝트 섹션에 샌드박스 프로젝트가 표시됩니다.

    추가 정보나 동영상을 보려면 프로젝트 작성을 참조하십시오.

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 프로젝트 섹션에 샌드박스가 나열된 홈 화면을 표시합니다. 이제 프롬프트 랩을 열 준비가 되었습니다.

    샌드박스 프로젝트가 나열된 홈 화면입니다.


    맨 위로


  • 학습서 비디오 미리보기 이 태스크를 미리 보려면 00:16에서 시작하는 비디오를 보십시오.

    배치 영역은 입력 데이터 및 환경과 같은 지원 자원을 구성하고, 예측 또는 솔루션을 생성하기 위해 모델 또는 기능을 배치하고, 배치 세부사항을 보거나 편집하는 데 도움을 줍니다. 배치 영역을 작성하려면 다음 단계를 수행하십시오.

    1. watsonx 탐색 메뉴 탐색 메뉴에서 배치를 선택하십시오. 기존 배치 영역이 있는 경우 태스크 2로 건너뛸 수 있습니다.

    2. 새 배치 공간을 클릭하십시오.

    3. 배치 영역의 이름을 입력하십시오.

    4. 목록에서 스토리지 서비스를 선택하십시오.

    5. 목록에서 프로비저닝된 기계 학습 서비스를 선택하십시오.

    6. 작성을 클릭하십시오.

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 비어 있는 배치 영역을 표시합니다.

    다음 이미지는 빈 배치 영역을 표시합니다.


    맨 위로


  • 학습서 비디오 미리보기 이 태스크를 미리보려면 00:08에 시작하는 비디오를 보십시오.

    프로젝트에서 파이프라인을 작성하고 실행합니다. 프로젝트의 샘플을 기반으로 파이프라인을 작성하려면 다음 단계를 수행하십시오.

    1. watsonx 홈 페이지의 드롭 다운 목록에서 샌드박스 또는 다른 기존 프로젝트를 선택하십시오.

      프로젝트 목록 드롭 다운

    2. 내 과정 사용자 정의를 클릭한 후 모든 태스크 보기를 선택하십시오.

    3. 모델 라이프사이클 자동화를 선택하십시오.

    4. 자원 허브 샘플을 클릭하십시오.

    5. AutoAI 실험 조정을 선택하고 다음을 클릭하십시오.

    6. 선택사항: 파이프라인의 이름을 변경하십시오.

    7. 작성을 클릭하십시오. 샘플 파이프라인은 훈련 데이터를 가져오고 AutoAI 도구를 사용하여 기계 학습 모델을 훈련하며 모델로 저장할 최상의 파이프라인을 선택합니다. 모델이 영역에 배치됩니다.

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 샘플 파이프라인을 표시합니다.

    다음 이미지는 샘플 파이프라인을 표시합니다.


    맨 위로


  • 학습서 비디오 미리보기 이 태스크를 미리보려면 00:30에 시작하는 비디오를 보십시오.

    샘플 파이프라인에는 자산을 작성하고 해당 자산을 사용하여 모델을 빌드하기 위한 여러 노드가 포함되어 있습니다. 노드를 보려면 다음 단계를 수행하십시오.

    1. 파이프라인 매개변수를 보려면 글로벌 오브젝트 글로벌 오브젝트 아이콘 아이콘을 클릭하십시오. deployment_space 매개변수를 펼치십시오. 이 파이프라인에는 AutoAI 실험의 최상의 모델이 저장되고 배치되는 배치 영역을 지정하는 매개변수가 포함되어 있습니다. X 를 클릭하여 창을 닫으십시오.

    2. 데이터 파일 작성 노드를 두 번 클릭하여 실험에 대한 데이터 세트에 액세스하도록 구성되었는지 확인하십시오. 취소 를 클릭하여 특성 분할창을 닫으십시오.

    3. AutoAI 실험 작성 노드를 두 번 클릭하십시오. 실험 이름, 실험이 저장되는 범위, 예측 유형 (2진분류, 다중 클래스 분류 또는 회귀), 예측 열 및 긍정 클래스를 보십시오. 나머지 매개변수는 모두 선택사항입니다. 취소 를 클릭하여 특성 분할창을 닫으십시오.

    4. AutoAI 실험 실행 노드를 두 번 클릭하십시오. 이 노드는 AutoAI 실험 온보딩-은행-마케팅-예측을 실행하고 파이프라인을 훈련한 후 최상의 모델을 저장합니다. 처음 두 개의 매개변수는 필수입니다. 첫 번째 매개변수는 AutoAI 실험 작성 노드의 출력을 실험을 실행하기 위한 입력으로 사용합니다. 두 번째 매개변수는 데이터 파일 작성 노드의 출력을 실험에 대한 훈련 데이터 입력으로 사용합니다. 나머지 매개변수는 모두 선택사항입니다. 취소 를 클릭하여 특성 분할창을 닫으십시오.

    5. 웹 서비스 작성 노드를 두 번 클릭하십시오. 이 노드는 이름이 onboarding-bank-marketing-prediction-deployment인 배치를 작성합니다. 첫 번째 매개변수는 AutoAI 실행 실험 노드의 최상의 모델 출력을 입력으로 사용하여 지정된 이름으로 배치를 작성합니다. 나머지 매개변수는 모두 선택사항입니다. 취소 를 클릭하여 특성 분할창을 닫으십시오.

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 웹 서비스 작성 노드의 특성을 표시합니다. 이제 샘플 파이프라인을 실행할 준비가 되었습니다.

    다음 이미지는 웹 서비스 작성 노드의 특성입니다.


    맨 위로


  • 학습서 비디오 미리보기 이 태스크를 미리보려면 03:43에서 시작하는 비디오를 보십시오.

    파이프라인이 완료되었으므로 다음 단계에 따라 파이프라인을 실행하십시오.

    1. 도구 모음에서 파이프라인 실행 > 평가판 실행을 클릭하십시오.

    2. 파이프라인 매개변수의 값 섹션에서 배치 영역을 선택하십시오.

      1. 공간 선택을 클릭하십시오.

      2. 공간을 클릭하십시오.

      3. 태스크 1에서 배치 영역을 선택하십시오.

      4. 선택을 클릭하십시오.

    3. 이 경우가 파이프라인을 처음 실행하는 경우 API키를 제공하십시오. 파이프라인 자산은 개인 IBM Cloud API키를 사용하여 중단 없이 안전하게 운영을 실행합니다.

      • 기존 API키가 있는 경우 기존 API키 사용을 클릭하고 API키를 붙여넣은 후 저장을 클릭하십시오.

      • 기존 API키가 없는 경우 새 API키 생성을 클릭하고 이름을 제공한 후 저장을 클릭하십시오. API키를 복사한 후 나중에 사용할 수 있도록 API키를 저장하십시오. 완료되면 닫기를 클릭하십시오.

    4. 실행 을 클릭하여 파이프라인 실행을 시작하십시오.

    5. 파이프라인 진행 상태를 모니터하십시오.

      1. 파이프라인이 실행 중인 동안 통합된 로그를 스크롤하십시오. 평가판 실행을 완료하는 데 최대 10분이 소요될 수 있습니다.

      2. 각 조작이 완료되면 캔버스에서 해당 조작에 대한 노드를 선택하십시오.

      3. 노드 검사기 탭에서 오퍼레이션의 세부사항을 보십시오.

      4. 각 노드 조작의 출력 요약을 보려면 노드 출력 탭을 클릭하십시오.

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 시험 실행을 완료한 후의 파이프라인을 표시합니다. 이제 파이프라인이 작성한 자산을 검토할 준비가 되었습니다.

    파이프라인 실행 완료


    맨 위로


  • 학습서 비디오 미리보기 이 태스크를 미리 보려면 04:27에서 시작하는 비디오를 보십시오.

    파이프라인이 배치 영역에서 여러 자산을 작성했습니다. 자산을 보려면 다음 단계를 수행하십시오.

    1. watsonx 탐색 메뉴 탐색 메뉴에서 배치를 선택하십시오.

    2. 배치 영역의 이름을 클릭하십시오.

    3. 자산 탭에서 모든 자산을 보십시오.

    4. bank-marketing-data.csv 데이터 자산을 클릭하십시오. 데이터 파일 작성 노드가 이 자산을 작성했습니다.

    5. onboarding-bank-marketing-prediction으로 시작하는 모델을 클릭하십시오. AutoAI 실험 실행 노드는 여러 모델 후보를 생성하고 이를 최상의 모델로 선택했습니다.

    6. 모델 세부사항 탭을 클릭하고 모델 및 훈련 정보를 스크롤하십시오.

    7. 배치 탭을 클릭하고 onboarding-bank-marketing-prediction-deployment를 여십시오.

      1. 테스트 탭을 클릭하십시오.

      2. JSON 입력 탭을 클릭하십시오.

      3. 샘플 텍스트를 다음 JSON 텍스트로 대체하고 예측을 클릭하십시오.

        {
          "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"
                                  ]
                          ]
                  }
          ]
        }
        

    체크포인트 아이콘 진행 상태 확인

    다음 이미지는 테스트 결과를 표시합니다. 예측은 신청자를 승인하는 것입니다. 테스트의 신뢰도 점수는 이미지에 표시된 점수와 다를 수 있습니다.

    테스트 결과 예측


    맨 위로

자세히 알아보기

상위 주제: 빠른 시작 학습서

일반적인 AI 검색 및 응답
이러한 응답은 제품 문서의 컨텐츠를 기반으로 하는 watsonx.ai 의 대형 언어 모델에 의해 생성됩니다. 자세히 알아보기