Schnelleinstieg: Testen Sie den End-to-End-Anwendungsfall watsonx.ai

Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:58an.

In diesem Lernprogramm wird ein Beispielprojekt verwendet, das die Datasets, Notebooks und Eingabeaufforderungsvorlagen zum Ausführen der Analyse enthält. Führen Sie die folgenden Schritte aus, um ein Projekt auf der Basis eines Beispiels zu erstellen:

1. Greifen Sie auf das Projekt Analyse von Aktienanomalien im Ressourcenhub zu.

   1. Klicken Sie auf Projekt erstellen.

   2. Akzeptieren Sie die Standardwerte für den Projektnamen und klicken Sie auf Erstellen.

   3. Klicken Sie auf Neues Projekt anzeigen , wenn das Projekt erfolgreich erstellt wurde.

2. Ordnen Sie dem Projekt einen Watson Machine Learning -Service zu:

   1. Wenn das Projekt geöffnet wird, klicken Sie auf die Registerkarte Verwalten und wählen Sie die Seite Services und Integrationen .

   2. Klicken Sie auf der Registerkarte IBM -Services auf Zuordnen.

   3. Wählen Sie Ihre Watson Machine Learning -Instanz aus. Wenn Sie noch keine Serviceinstanz von Watson Machine Learning bereitgestellt haben, führen Sie die folgenden Schritte durch:

      1. Klicken Sie auf Neuer Service.

      2. Wählen Sie Watson Machine Learningaus.

      3. Klicken Sie auf Erstellen.

      4. Wählen Sie die neue Serviceinstanz aus der Liste aus.

   4. Klicken Sie auf Service zuordnen.

   5. Klicken Sie bei Bedarf auf Abbrechen , um zur Seite Services & Integrationen zurückzukehren.

3. Klicken Sie auf die Registerkarte Assets im Projekt, um die Beispielassets anzuzeigen.

Weitere Informationen hierzu oder die Option zum Ansehen eines entsprechenden Videos finden Sie unter Projekt erstellen.

Weitere Informationen zu zugehörigen Services finden Sie unter Zugehörige Services hinzufügen.

Um eine Vorschau dieser Aufgabe anzuzeigen, sehen Sie sich das Video ab 01:27an.

Die drei Datasets im Beispielprojekt enthalten synthetische Daten, die mit öffentlichen Bestandsdaten aus Yahoo! generiert wurden. Website "Finance " als Basis. Die Trainingsdaten für ein Zeitreihenanomalievorhersagemodell müssen strukturiert und sequenziell sein. In diesem Fall sind die synthetischen Daten strukturiert und sequenziell. Führen Sie die folgenden Schritte aus, um die Datenassets im Beispielprojekt anzuzeigen:

1. Öffnen Sie die Datei historical_data.csv . Dieses Dataset enthält Langzeitdaten zur Kursentwicklung im Zeitraum von Mai 2012 bis Mai 2016.
2. Kehren Sie zur Registerkarte Assets des Projekts zurück und öffnen Sie das Dataset test_data.csv . Dieses Dataset enthält Protokolldaten zur Aktienkursleistung in Q1 2023.
3. Kehren Sie zur Registerkarte Assets des Projekts zurück und öffnen Sie das Dataset training_data.csv . Dieses Dataset enthält Langzeitdaten zur Kursentwicklung im Jahr 2023.
4. Klicken Sie auf die Registerkarte Visualisierung .
   1. Wählen Sie die Spalte Datum aus und klicken Sie dann auf Daten darstellen. Der erste vorgeschlagene Diagrammtyp, ein Histogramm, wird angezeigt.
   2. Wählen Sie den Diagrammtyp Linie aus.
      1. Wählen Sie für die X-Achsedie Spalte Datum aus.
      2. Wählen Sie für die Y-Achsedie Spalte Adj Close aus. Zeigt den angepassten Schlusskurs nach Datum an. Die Zielspalte für die Anomalieanalyse ist der angepasste Schlusskurs.

Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 02:13an.

Sie können eine Vielzahl von Tools verwenden, wie zum Beispiel: AutoAI, SPSS Modeler oder Jupyter-Notebooks, um das Modell zu trainieren. In diesem Lernprogramm werden Sie das Anomalievorhersagemodell für die Zeitreihenanalyse mit AutoAItrainieren. Führen Sie die folgenden Schritte aus, um das Experiment AutoAI zu erzeugen:

1. Kehren Sie zur Registerkarte Assets des Projekts zurück und klicken Sie dann auf Neues Asset > Modelle für maschinelles Lernen automatisch erstellen.

2. Geben Sie auf der Seite Machine Learning-Modelle automatisch erstellen den Namen ein:

   Stock anomaly experiment
   

3. Klicken Sie auf Erstellen.

4. Fügen Sie auf der Seite Datenquelle hinzufügen die Trainingsdaten hinzu:

   1. Klicken Sie auf Daten aus Projekt auswählen.

   2. Wählen Sie Datenasset > training_data.csvaus und klicken Sie auf Asset auswählen.

5. Legen Sie die Zeitreihenanalyseeinstellungen fest:

   1. Wählen Sie Ja aus, wenn Sie aufgefordert werden, ein Zeitreihenexperiment zu erstellen.

   2. Wählen Sie Anomalievorhersageaus.

6. Wählen Sie Schließen anpassen für Merkmalspaltenaus.

7. Klicken Sie auf Experiment ausführen. Wenn das Modell trainiert wird, sehen Sie eine Infografik, die den Prozess der Erstellung der Pipelines veranschaulicht.
   

   Eine Liste der Algorithmen bzw. Schätzer, die mit den einzelnen Verfahren für maschinelles Lernen in AutoAI verfügbar sind, finden Sie unter AutoAI-Bereitstellungsdetail.

8. Nach Abschluss der Experimentausführung können Sie die eingestuften Pipelines in einer Bestenliste anzeigen und vergleichen.

   

9. Sie können auf Pipelinevergleich klicken, um zu sehen, wie sie sich unterscheiden.

   

10. Klicken Sie auf die Pipeline mit der höchsten Rangfolge, um die Pipelinedetails anzuzeigen.

11. Überprüfen Sie die Seite Modellevaluierung , um die detaillierten Auswertungsmetriken zur Modellleistung anzuzeigen.

    Das Tool AutoAI berücksichtigt eine Vielzahl von Kriterien, um Anomalien zu erkennen. In der Tabelle können Sie die Auswertung basierend auf verschiedenen Metriken (z. B. Durchschnittliche Genauigkeit und Bereich unter ROC) für jeden Anomalietyp anzeigen.

    Anomalietypen

    Anomalietyp	Beschreibung
    Trendanomalie	Ein Segment von Zeitreihen mit einer Trendänderung im Vergleich zu den Zeitreihen vor dem Segment.
    Varianzanomalie	Ein Segment von Zeitreihen, in denen die Varianz einer Zeitreihe geändert wird.
    Lokalisierte extreme Anomalie	Ein ungewöhnlicher Datenpunkt in einer Zeitreihe, der deutlich von den Datenpunkten um ihn herum abweicht.
    Anomalie bei Ebenenverschiebung	Ein Segment, in dem der Mittelwert einer Zeitreihe geändert wird.

12. Speichern Sie das Modell.

    1. Klicken Sie auf Speichern unter.

    2. Wählen Sie Modellaus.

    3. Geben Sie als Modellnamen Folgendes ein:

       Anomaly Prediction Model
       

    4. Klicken Sie auf Erstellen. Dadurch wird die Pipeline als Modell in Ihrem Projekt gespeichert.

13. Klicken Sie nach dem Speichern des Modells in der Benachrichtigung auf den Link In Projekt anzeigen, um das Modell in Ihrem Projekt anzuzeigen. Alternativ können Sie zur Registerkarte Assets im Projekt navigieren und auf den Modellnamen im Abschnitt Modelle klicken.

Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 03:40an.

Als Nächstes müssen Sie die Testdaten und das Modell in einen Bereitstellungsbereich hochstufen und anschließend eine Onlinebereitstellung erstellen.

Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 05:07an.

Obwohl das Prompt Lab mit strukturiertem und unstrukturiertem Text arbeiten kann, ist es wichtig sicherzustellen, dass Sie die richtigen Daten eingeben, die das Modell verarbeiten kann. In diesem Anwendungsfall müssen Sie Nachrichtenartikeltext auf der Basis der Anomaliedaten verarbeiten, die Sie aus der Anomalievorhersage erhalten haben. Sie können eine externe Nachrichten-API integrieren, um die relevanten Nachrichten während dieser Daten zu extrahieren, um den Datenerfassungsprozess zu vereinfachen. Sie können dies in einem Jupyter-Notebook mit Python -Code tun.

Da die Basismodelle eine Begrenzung für die Anzahl der Token haben, die sie in einer einzelnen Eingabeaufforderung verarbeiten können (als Kontextfenster bezeichnet), müssen die Daten möglicherweise aufgeteilt oder zusammengefasst werden, damit sie in diesen Grenzwert passen. Dieser Schritt stellt sicher, dass die Eingabedaten in einem Format vorliegen, das das Basismodell effektiv verarbeiten kann, ohne dass wesentliche Informationen verloren gehen.

Führen Sie die folgenden Schritte aus, um das Notebook auszuführen:

1. Wählen Sie im Navigationsmenü Projekte > Alle Projekte anzeigenaus.
2. Öffnen Sie das Projekt Analyse von Aktienanomalien .
3. Klicken Sie auf die Registerkarte Assets.
4. Klicken Sie auf das Menü Überlauf für das Notizbuch Text aus Nachrichtenartikeln extrahieren und trennen und wählen Sie Bearbeitenaus.
5. Füllen Sie den Abschnitt Setup aus.
   1. Klicken Sie auf das Symbol Ausführen für die erste Zelle, um die Bibliotheken zu importieren.
   2. Rufen Sie die erforderlichen API-Schlüssel ab:
      1. Folgen Sie dem Link, um ein Konto und einen API-Schlüssel zu erstellen unter TheNewsAPI.
      2. Fügen Sie den API-Schlüssel in die Variable thenewsapi_key ein.
      3. Folgen Sie dem Link zum Erstellen eines Kontos und eines API-Schlüssels unter ArticlExtractor.
      4. Fügen Sie den API-Schlüssel in die Variable extract_key ein.
   3. Führen Sie die Zelle aus, um die beiden API-Schlüsselvariablen festzulegen.
6. Führen Sie die Zellen im Abschnitt Funktion zum Abrufen von Nachrichtenartikel-URLs definieren aus.
   • Die erste Zelle definiert eine Funktion zum Abrufen von Daten aus TheNewsAPI's Top-Storys und Einrichtung von Parametern, um sicherzustellen, dass Sie relevante Nachrichten erhalten.
   • Die zweite Zelle definiert eine Funktion, mit der nur eine Liste von URLs basierend auf der Antwort abgerufen wird.
7. Führen Sie die Zellen im Abschnitt Funktion zum Extrahieren von Nachrichtentext definieren aus.
   • Die erste Zelle definiert eine Funktion zum Extrahieren von Nachrichtentext aus einer bestimmten Nachrichten-URL mithilfe der API ArticlExtractor .
   • Die zweite Zelle definiert eine Funktion zum Kombinieren von Nachrichtentext aus allen Artikel-URLs, die aus TheNewsAPI.
8. Führen Sie die Zelle im Abschnitt Funktion zum Chunks von Nachrichtentext definieren aus. Um sicherzustellen, dass das LLM-Basismodell die Informationen aus dem Text übernehmen kann, müssen Sie sicherstellen, dass das Token die Einschränkungen des Kontexttokenfensters nicht überschreitet. In diesem Beispiel definieren Sie eine Funktion zur Verwendung von LangChain zum Aufteilen des Zeichentexts unter Berücksichtigung des Kontextes des Nachrichtentextes.
9. Führen Sie die Zelle im Abschnitt Funktionen ausführen aus. In der Antwort sehen Sie, dass die endgültige Ausgabe der Daten bereit ist, in das Eingabeaufforderungslabor eingespeist zu werden. LangChain’s Der Text Splitter zerlegt den langen Text in semantisch sinnvolle Blöcke bzw. Sätze und fügt diese zur Weiterverarbeitung wieder zu einem Gesamttext zusammen. Sie können die maximale Größe der Chunks anpassen.

Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 07:17an.

Nachdem Sie den relevanten Nachrichtenartikel entsprechend in Blöcke aufgeteilt haben, können Sie Ihre eigenen Eingabeaufforderungsvorlagen im Eingabeaufforderungslabor erstellen oder die Beispielvorlagen für Eingabeaufforderungen im Beispielprojekt verwenden. Das Beispielprojekt enthält Beispielvorlagen für Eingabeaufforderungen für Zusammenfassungs-und Fragebeantwortungsaufgaben. Führen Sie die folgenden Schritte aus, um das Basismodell im Eingabeaufforderungslabor anzufordern.