0 / 0
Zurück zur englischen Version der Dokumentation
Schnelleinstieg: Testen Sie den End-to-End-Anwendungsfall watsonx.ai

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

Dieses Lernprogramm konzentriert sich auf einen Beispielanwendungsfall in der Finanzbranche. Die Golden Bank muss eine Analyse von Aktienanomalien durchführen, um die Produktivität zu steigern und die Genauigkeit der Arbeit eines Börsenanalysten im Investment-Banking zu erhöhen.

Erforderliche Services
watsonx.ai
Watson Machine Learning

Szenario: Anomalieanalyseprozess für Bestand

Um dieses Ziel zu erreichen, könnte der typische Prozess wie folgt aussehen:

  1. Ein Investmentbanker oder Manager bittet den Aktienanalysten, die Aktien eines Unternehmens zu recherchieren.
  2. Der Aktienanalyst lädt die Aktiendaten des Unternehmens herunter.
  3. Sie durchsuchen die Bestandsdaten manuell, um Anomalien bei der Leistung des Aktienkurses zu finden.
  4. Sie erklären die Anomalien, indem sie manuell im Web nach relevanten Nachrichtenartikeln zu bestimmten Terminen suchen.
  5. Der Börsenanalytiker fasst die Argumentation hinter den Anomalien anhand der Nachrichtenartikel zusammen.
  6. Sie verfolgen Nachforschungen über bestimmte Informationen und Termine.
  7. Sie senden den Bericht an den Investmentbanker, damit diese weitere Analysen durchführen können, um Entscheidungen zu treffen und zu investieren.

Basistaskworkflow mit watsonx.ai

Watsonx.ai kann Ihnen helfen, jede Phase dieses Prozesses zu erreichen. Ihr grundlegender Workflow umfasst die folgenden Tasks:

  1. Öffnen Sie ein Projekt. Projekte sind der Ort, an dem Sie gemeinsam mit anderen mit Daten arbeiten.
  2. Fügen Sie dem Projekt Daten hinzu. Sie können CSV-Dateien oder Daten aus einer fernen Datenquelle über eine Verbindung hinzufügen.
  3. Modell trainieren. Sie können eine Vielzahl von Tools wie AutoAI, SPSS Modeleroder Jupyter-Notebooks verwenden, um das Modell zu trainieren.
  4. Stellen Sie das Modell bereit und testen Sie es.
  5. Transformieren Sie die Daten.
  6. Fragt ein Basismodell ab.
  7. Optimieren Sie das Basismodell.

Lesen Sie mehr über watsonx.ai

Um Ihre Geschäftsprozesse mit KI-basierten Lösungen zu transformieren, muss Ihr Unternehmen sowohl maschinelles Lernen als auch abgeleitete KI in Ihr operatives Framework integrieren. Watsonx.ai stellt die Prozesse und Technologien bereit, damit Ihr Unternehmen Modelle für maschinelles Lernen und abgeleitete KI-Lösungen entwickeln und implementieren kann.

Mehr zu watsonx.ai

Weitere Informationen zu watsonx.ai -Anwendungsfällen

Video zu watsonx.ai ansehen

Video ansehen Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Möglicherweise gibt es geringfügige Unterschiede in der Benutzerschnittstelle, die im Video angezeigt wird. Das Video ist als Begleiter zum schriftlichen Lernprogramm gedacht.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.


Lernprogramm zu watsonx.ai ausprobieren

In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:





Tipps zum Durcharbeiten dieses Lernprogramms

Im Folgenden finden Sie einige Tipps für den erfolgreichen Abschluss dieses Lernprogramms.

Verwenden Sie das Videobild im Bild

Tipp: Starten Sie das Video. Wenn Sie dann durch das Lernprogramm blättern, wechselt das Video in den Bildmodus. Schließen Sie das Video-Inhaltsverzeichnis für die beste Erfahrung mit Bild-in-Bild. Sie können den Modus 'Bild im Bild' verwenden, damit Sie dem Video folgen können, während Sie die Tasks in diesem Lernprogramm ausführen. Klicken Sie auf die Zeitmarken für jede zu befolgende Task.

Die folgende animierte Abbildung zeigt, wie die Funktionen für Videobilder und Inhaltsverzeichnisse verwendet werden:

Verwendung von Bildern und Kapiteln

Hilfe in der Community anfordern

Wenn Sie Hilfe zu diesem Lernprogramm benötigen, können Sie eine Frage stellen oder eine Antwort im Diskussionsforum derwatsonx -Communityfinden.

Browserfenster einrichten

Damit Sie dieses Lernprogramm optimal nutzen können, öffnen Sie Cloud Pak for Data in einem Browserfenster und lassen Sie diese Lernprogrammseite in einem anderen Browserfenster geöffnet, um einfach zwischen den beiden Anwendungen zu wechseln. Es empfiehlt sich, die beiden Browserfenster nebeneinander anzuordnen, um die weitere Arbeit zu erleichtern.

Paralleles Lernprogramm und Benutzerschnittstelle

Tipp: Wenn Sie beim Durcharbeiten dieses Lernprogramms in der Benutzerschnittstelle auf eine geführte Tour stoßen, klicken Sie auf Vielleicht später.



Aufgabe 1: Beispielprojekt erstellen

Vorschau-Lernprogrammvideo 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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Registerkarte 'Assets' des Projekts. Sie können nun die Trainingsdaten visualisieren.

alternativer Text




Aufgabe 2: Daten visualisieren

Vorschau-Lernprogrammvideo 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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt eine Visualisierung der Datei training_data.csv . Jetzt können Sie das Modell unter Verwendung dieser Trainingsdaten erstellen.

Visualisierung der Datei training_data.csv




Aufgabe 3: Modell trainieren

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

Sie können eine Vielzahl von Tools wie AutoAI, SPSS Modeleroder Jupyter-Notebooks verwenden, 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
    ```1. Confirm that the Machine Learning service instance that you associated with your project is selected in the *Watson Machine Learning Service Instance* field.
    
    
  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.
    Modellpipelines erstellen

    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.

    Pipelinebestenliste

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

    Metrikdiagramm für Pipelinevergleich

  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.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt das Modell.

Die folgende Abbildung zeigt das Modell.




Task 4: Modell bereitstellen

Vorschau-Lernprogrammvideo 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.

Task 4a: Testdaten in den Bereitstellungsbereich hochstufen

Das Beispielprojekt enthält Testdaten. Sie stufen diese Testdaten in einen Bereitstellungsbereich hoch, sodass Sie die Testdaten zum Testen des bereitgestellten Modells verwenden können. Gehen Sie wie folgt vor, um die Testdaten in einen Bereitstellungsbereich hochzustufen:

  1. Kehren Sie zur Registerkarte Assets des Projekts zurück.

  2. Klicken Sie auf das Menü Überlauf Überlaufmenü für das Datenasset test_data.csv und wählen Sie In Bereich hochstufenaus.

  3. Wählen Sie einen vorhandenen Bereitstellungsbereich aus. Wenn Sie keinen Bereitstellungsbereich haben:

    1. Klicken Sie auf Neuen Bereitstellungsbereich erstellen.

    2. Geben Sie als Namen Folgendes ein:

      Anomaly Prediction Space
      
    3. Wählen Sie einen Speicherservice aus.

    4. Wählen Sie einen Machine Learning-Service aus.

    5. Klicken Sie auf Erstellen.

    6. Schließen Sie die Benachrichtigung, wenn der Bereich bereit ist.

  4. Wählen Sie Ihren neuen Bereitstellungsbereich aus der Liste aus.

  5. Klicken Sie auf Hochstufen.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Seite In Space hochstufen .

Die folgende Abbildung zeigt die Seite 'In Space hochstufen'.

Task 4b: Modell in einen Bereitstellungsbereich hochstufen

Bevor Sie das Modell bereitstellen können, müssen Sie das Modell in einen Bereitstellungsbereich hochstufen. Führen Sie die folgenden Schritte aus, um das Modell in einen Bereitstellungsbereich hochzustufen:

  1. Klicken Sie auf der Registerkarte Assets auf das Menü Überlauf Überlaufmenü für das Modell Anomalievorhersagemodell und wählen Sie In Bereich hochstufenaus.

  2. Wählen Sie denselben Bereitstellungsbereich aus der Liste aus.

  3. Wählen Sie die Option Nach dem Hochstufen zum Modell im Bereich wechseln aus.

  4. Klicken Sie auf Hochstufen.

Hinweis: Wenn Sie die Option zum Wechseln zum Modell im Bereich nach der Hochstufung nicht ausgewählt haben, können Sie über das Navigationsmenü zu Bereitstellungen navigieren, um Ihren Bereitstellungsbereich und das Modell auszuwählen.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt das Modell im Bereitstellungsbereich.

Die folgende Abbildung zeigt das Modell im Bereitstellungsbereich.

Task 4c: Modellbereitstellung erstellen und testen

Jetzt, da sich das Modell im Bereitstellungsbereich befindet, führen Sie die folgenden Schritte aus, um die Modellbereitstellung zu erstellen:

  1. Klicken Sie bei geöffnetem Modell auf Neue Bereitstellung.

    1. Wählen Sie Online als Bereitstellungstyp aus.

    2. Geben Sie als Implementierungsnamen Folgendes ein:

      Anomaly Prediction Model Deployment
      
    3. Klicken Sie auf Erstellen.

  2. Klicken Sie nach Abschluss der Bereitstellung auf den Namen der Bereitstellung, um die Seite mit den Bereitstellungsdetails anzuzeigen.

  3. Überprüfen Sie den Scoring-Endpunkt, mit dem Sie programmgesteuert in Ihren Anwendungen auf dieses Modell zugreifen können.

  4. Testen Sie das Modell.

    1. Klicken Sie auf die Registerkarte Test.

    2. Klicken Sie zum Suchen der Testdaten auf Im Bereich suchen.

    3. Wählen Sie Datenasset > test_data.csvaus.

    4. Klicken Sie auf Bestätigen.

    5. Klicken Sie auf Vorhersagenund überprüfen Sie die Vorhersagen für die 62 Datensätze in den Testdaten.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt die Testergebnisse aus dem bereitgestellten Modell.

Die folgende Abbildung zeigt die Testergebnisse aus dem bereitgestellten Modell.




Aufgabe 5: Relevante Nachrichtenartikel zusammenstellen

Vorschau-Lernprogrammvideo 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 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 Überlaufmenü für das Notizbuch Text aus Nachrichtenartikeln extrahieren und trennen und wählen Sie Bearbeitenaus.
  5. Füllen Sie den Abschnitt Setup aus.
    1. Führen Sie die erste Zelle aus, um die Bibliotheken zu importieren.
    2. Rufen Sie die erforderlichen API-Schlüssel ab:
      1. Folgen Sie dem Link zum Erstellen eines Kontos und eines API-Schlüssels 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 den Top Stories der API TheNewsund zum Festlegen von Parametern, um sicherzustellen, dass Sie relevante Nachrichten abrufen können.
    • 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 von der API TheNewsabgerufen wurden.
  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. Der Textsplitter LangChainteilt den langen Text in semantisch aussagekräftige Blöcke oder Sätze auf und kombiniert sie wieder als gesamten zu verarbeitenden Text. Sie können die maximale Größe der Chunks anpassen.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt das abgeschlossene Notebook. Sie haben nun den aufgeteilten Text, der zum Auffordern des Basismodells verwendet werden soll.

Das abgeschlossene Notebook




Aufgabe 6: Eingabeaufforderung für das Basismodell

Vorschau-Lernprogrammvideo 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.

Zusammenfassungstask

  1. Kehren Sie zur Registerkarte Assets des Projekts zurück.

  2. Klicken Sie auf die Eingabeaufforderungsvorlage Nachrichtenartikel auswerten . Dadurch wird die Eingabeaufforderungsvorlage im Prompt Lab geöffnet.

  3. Klicken Sie auf Bearbeiten , um die Eingabeaufforderungsvorlage im Bearbeitungsmodus anzuzeigen.

    Für die Zusammenfassungstask verwenden Sie den aufgeteilten Nachrichtenartikeltext als Eingabebeispiel und stellen fest, dass der Börsenanalytiker normalerweise manuell schreibt, um Anomalien als Ausgabebeispiel zu erklären. Dadurch wird sichergestellt, dass die Ausgabe dem ähnelt, was der Börsenanalytiker selbst schreiben könnte.

  4. Klicken Sie auf Generieren , um die Zusammenfassungsergebnisse anzuzeigen.

  5. Experimentieren Sie mit unterschiedlichem Eingabe-und Ausgabetext aus dem aufgeteilten Nachrichtenartikel im Notebook.

Aufgabe zur Beantwortung von Fragen

  1. Klicken Sie auf Gespeicherte Eingabeaufforderungen Gespeicherte Eingabeaufforderungen , um die gespeicherte Eingabeaufforderung Ihres Projekts anzuzeigen.

  2. Klicken Sie in der Liste der gespeicherten Eingabeaufforderungen auf die Eingabeaufforderungsvorlage Question Answer News Articles .

  3. Klicken Sie auf Bearbeiten , um die Eingabeaufforderungsvorlage im Bearbeitungsmodus anzuzeigen.

    Für die Task zur Beantwortung von Fragen verwenden Sie Fragen als Eingabebeispiel und Antworten in der erforderlichen Detaillierungsebene und im bevorzugten Format als Ausgabebeispiel.

  4. Klicken Sie auf Generieren , um die Zusammenfassungsergebnisse anzuzeigen.

  5. Experimentieren Sie mit unterschiedlichem Eingabe-und Ausgabetext.

Modellparameter anpassen

Im Prompt Lab können Sie die Decodierungseinstellungen anpassen, um die Ausgabe des Modells für die jeweilige Aufgabe zu optimieren:

  • Decodierung
    • Gierig: immer Wörter mit der höchsten Wahrscheinlichkeit auswählen
    • Stichprobenziehung: Variabilität der Wortauswahl anpassen
  • Wiederholungsstrafe: Gibt an, wie viel Wiederholung zulässig ist.
  • Stoppkriterien: mindestens eine Zeichenfolge, die bewirkt, dass die Textgenerierung gestoppt wird, wenn sie erzeugt wird.

Diese Flexibilität ermöglicht eine hohe Anpassungsfähigkeit und stellt sicher, dass das Modell mit Parametern arbeitet, die den Anforderungen und Einschränkungen der Task am besten entsprechen.

Im Prompt Lab können Sie Tokeneinschränkungen festlegen, um sicherzustellen, dass die Tasks im Betriebsbereich des Modells verbleiben. Diese Einstellung trägt dazu bei, die Vollständigkeit der Antwort mit den technischen Einschränkungen des Modells in Einklang zu bringen und eine effiziente und effektive Verarbeitung von Aufgaben sicherzustellen.

Prüfpunktsymbol Fortschritt überprüfen

Die folgende Abbildung zeigt das Prompt Lab.

Das Eingabeaufforderungslabor



Nächste Schritte

Mit Eingabeaufforderungs-Notebooks experimentieren

Im Prompt Lab können Sie Ihre Arbeit im Notebook-Format speichern:

  1. Laden Sie eine gespeicherte Eingabeaufforderungsvorlage.
  2. Klicken Sie auf Arbeit speichern > Speichern unter.
  3. Wählen Sie Notebookaus.
  4. Geben Sie einen Namen ein.
  5. Klicken Sie auf Speichernund untersuchen Sie dann das Notizbuch mit Eingabeaufforderung.
  6. Wiederholen Sie diese Schritte für die andere Eingabeaufforderungsschablone.

Basismodell optimieren

Sie können das Foundatation-Modell optimieren, um die Modellleistung im Vergleich zur schnellen Entwicklung zu verbessern oder die Kosten zu reduzieren, indem Sie ein kleineres Modell implementieren, das ähnlich wie ein größeres Modell funktioniert. Weitere Informationen enthält das Lernprogramm Basismodell optimieren .

Weitere Ressourcen

Übergeordnetes Thema: Lernprogramme für den Schnelleinstieg

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen