0 / 0
Zurück zur englischen Version der Dokumentation

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

Letzte Aktualisierung: 05. März 2025
Schnelleinstieg: Testen Sie den End-to-End-Anwendungsfall watsonx.ai

Dieses Lernprogramm konzentriert sich auf einen Beispielanwendungsfall in der Finanzbranche. Die Golden Bank muss einen Prozess zur Analyse von Marketingaktionen einführen, um den Absatz ihrer Anlageprodukte zu steigern.

Erforderliche Services
watsonx.ai einschließlich watsonx.ai Laufzeit und watsonx.ai Studio

Szenario: Prozess der Bank-Marketing-Aktionen

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

  1. Der Dateningenieur visualisiert und bereitet die Marketingdaten der Bank auf, um das korrekte Format für das Training des Modells zu überprüfen.
  2. Der ML-Ingenieur erstellte ein Modell für maschinelles Lernen, um die Wirksamkeit ihrer Werbeaktionen vorherzusagen.
  3. Der ML-Ingenieur setzt das Modell ein und testet es.
  4. Der Datenwissenschaftler schreibt Python -Code, um ähnliche Werbeaktionen für die Konkurrenten der Bank zu finden.
  5. Der schnelle Ingenieur:
    • Erstellt sofortige Vorlagen, um Zusammenfassungen und Fragen zu beantworten.
    • Vergleicht die Leistung mehrerer Aufforderungen, um festzustellen, ob eine erneute Schulung erforderlich ist.
    • Passt das Grundmodell mit Umschulungsdaten an, um die beste Leistung und Kosteneffizienz zu erzielen.
    • Schafft eine Pipeline, um den Umschulungsprozess zu vereinfachen.

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. Bereiten Sie die Trainingsdaten in Data Refinery vor.
  4. Trainieren Sie ein Modell mit den Trainingsdaten. Sie können verschiedene Tools verwenden, z. B. AutoAI,, SPSS Modeler oder Jupyter-Notebooks, um das Modell zu trainieren.
  5. Setzen Sie Ihr Modell in einem Projekt oder einem Einsatzbereich ein und testen Sie es.
  6. Sammeln und analysieren Sie Daten, die mit dem Modell in Zusammenhang stehen, in einem Jupyter-Notizbuch.
  7. Fordern Sie ein Stiftungsmodell unter Prompt Lab an.
  8. Vergleichen Sie die schnelle Leistung in Evaluation Studio.
  9. Stimmen Sie das Fundamentmodell in Tuning Studio ab.
  10. Automatisieren Sie den Lebenszyklus eines Modells mit Pipelines.

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. Die Benutzeroberfläche, die im Video gezeigt wird, kann geringfügig abweichen. 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 bei diesem Tutorial benötigen, können Sie eine Frage stellen oder eine Antwort im watsonx Community-Diskussionsforum finden.

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 Aufgabe zu sehen, schauen Sie sich das Video ab 00:51 an.

In diesem Tutorial wird ein Beispielprojekt verwendet, das den Datensatz, das Notizbuch und die Eingabeaufforderungsvorlagen für die Durchführung der Analyse enthält. Führen Sie die folgenden Schritte aus, um ein Projekt auf der Basis eines Beispiels zu erstellen:

  1. Klicken Sie auf dem Startbildschirm auf das Symbol "Neues Projekt erstellen" Neues Projekt erstellen.

  2. Wählen Sie ein Beispiel aus.

  3. Suchen Sie nach Getting started with watsonx.ai, wählen Sie dieses Beispielprojekt aus und klicken Sie auf Weiter.

  4. Wählen Sie eine vorhandene Objektspeicherserviceinstanz aus oder erstellen Sie eine neue.

  5. Klicken Sie auf Erstellen.

  6. Warten Sie, bis der Projektimport abgeschlossen ist, und klicken Sie dann auf "Neues Projekt anzeigen ".

  7. Verknüpfen Sie einen watsonx.ai -Laufzeitdienst mit dem Projekt. Weitere Informationen finden Sie unter Hinzufügen von zugehörigen Diensten zu einem Projekt.

    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 "Dienste" von IBM auf "Dienst verknüpfen ".

    3. Wählen Sie Ihre watsonx.ai Runtime-Instanz aus. Wenn Sie noch keine watsonx.ai Runtime-Dienstinstanz bereitgestellt haben, führen Sie die folgenden Schritte aus:

      1. Klicken Sie auf Neuer Service.

      2. Wählen Sie watsonx.ai Runtime.

      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.

  8. 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 Überprüfen Sie Ihren Fortschritt

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

alternativer Text

Aufgabe 2: Visualisieren und Aufbereiten der Daten

Die Daten beziehen sich auf Direktmarketing-Kampagnen (Telefonanrufe) eines portugiesischen Bankinstituts. Das Klassifizierungsziel besteht darin, vorherzusagen, ob der Kunde ein Festgeldkonto eröffnen wird (ja/nein) (Spalte "current_outcome"). Dieser Datensatz basiert auf einem Datensatz aus dem UCI Machine Learning Repository.

Aufgabe 2a: Daten visualisieren

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 01:24 an.

Zunächst visualisieren Sie die Daten, um zu sehen, ob es offensichtliche Anomalien gibt. Befolgen Sie diese Schritte, um die Daten zu visualisieren:

  1. Öffnen Sie den bank-marketing-data.csv datensatz. Die Spalten enthalten Informationen über potenzielle Kunden.
  2. Klicken Sie auf das Symbol "Informationen zu diesem Element anzeigen" Assetinformationen anzeigen, um den Bereich "Über dieses Element" zu schließen.
  3. Klicken Sie auf die Registerkarte Visualisierung .
    1. Wählen Sie die Spalte "current_outcome" als anzuzeigende Spalten aus. Diese Spalte gibt an, ob die kontaktierte Person das aktuelle Angebot angenommen hat. Diese Spalte ist die Zielspalte, wenn Sie das Modell erstellen.
    2. Klicken Sie auf "Weitere Spalte hinzufügen " und wählen Sie dann die Spalte "previous_outcome" aus. Diese Spalte gibt an, ob die kontaktierte Person das vorherige Angebot angenommen hat. Beachten Sie, dass die Diagrammtypen mit einem blauen Punkt die vorgeschlagenen Diagramme sind.
    3. Wählen Sie den Diagrammtyp "Baumstruktur" aus. Diese Grafik zeigt einen Vergleich der Personen, die ein früheres Angebot angenommen haben, und ob dieselben Personen das aktuelle Angebot angenommen haben.
    4. Bewegen Sie den Mauszeiger über den Wurzelknoten, um die Gesamtzahl der Datensätze im Datensatz anzuzeigen.
    5. Fahren Sie mit der Maus über die Knoten "Nein" und "Ja ", um diese Summen zu sehen.
    6. Fahren Sie mit der Maus über den unbeschrifteten Knoten, um die Gesamtzahl der Datensätze im Datensatz anzuzeigen, bei denen das Feld "current_outcome" null ist.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt eine Visualisierung der Datei bank-marketing-data.csv. Jetzt können Sie die Trainingsdaten vorbereiten.

Visualisierung der Trainingsdaten

Aufgabe 2b: Daten vorbereiten

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 02:40 an.

Da "current_outcome" die Zielspalte ist, müssen Sie den Datensatz vorbereiten, um die Zeilen mit Nullwerten zu entfernen. Befolgen Sie diese Schritte, um den Datensatz vorzubereiten:

  1. Klicken Sie auf "Daten vorbereiten ", um Data Refinery zu öffnen.
  2. Schließen Sie den Bereich "Über dieses Element ".
  3. Wählen Sie die Spalte "current_outcome" aus.
  4. Klicken Sie auf "Neuer Schritt" > "Leere Zeilen entfernen ".
  5. Klicken Sie auf Anwenden.
  6. Klicken Sie auf die Registerkarte "Profil ", um die Aktion zu überprüfen.
  7. Scrollen Sie zur Spalte "current_outcome ", um zu sehen, dass alle Werte entweder "Ja" oder "Nein" sind.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt die Spalte "Aktuelles Ergebnis" auf der Registerkarte "Profil". Jetzt können Sie das Modell unter Verwendung dieser Trainingsdaten erstellen.

Die Spalte "Aktuelles Ergebnis" auf der Registerkarte "Profil"

Aufgabe 2c: Speichern Sie die verfeinerten Daten

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 03:08 an.

Um die verfeinerten Daten zu speichern, geben Sie den Dateinamen für den Zieldatensatz an und erstellen und führen dann einen Auftrag aus. Befolgen Sie diese Schritte, um die verfeinerten Daten zu speichern:

  1. Geben Sie den Dateinamen an:

    1. Klicken Sie auf das Symbol "Einstellungen " Einstellungen.
    2. Klicken Sie auf die Seite "Target-Datensatz ".
    3. Klicken Sie auf "Eigenschaften bearbeiten ".
    4. Ändern Sie den Namen des Datenbestands * in bank-marketing-data-prepared.csv.
    5. Klicken Sie auf Speichern.
    6. Klicken Sie auf Anwenden.

  2. Erstellen und Ausführen des Auftrags:

    1. Klicken Sie in der Symbolleiste auf das Jobs-Symbol und wählen Sie "Job speichern und erstellen " aus.
      Speichern und Job erstellen

    2. Geben Sie den folgenden Namen ein: Bank marketing data und klicken Sie auf Weiter.

    3. Wählen Sie auf der Seite "Konfigurieren " eine Laufzeitumgebung aus und klicken Sie auf "Weiter ".

    4. Akzeptieren Sie auf der Seite "Zeitplan" die Standardwerte und klicken Sie auf "Weiter ".

    5. Lassen Sie auf der Seite "Benachrichtigen " die Benachrichtigungen für diesen Job deaktiviert und klicken Sie auf "Weiter ".

    6. Überprüfen Sie die Details und klicken Sie auf Erstellen und ausführen, um den Job sofort auszuführen.

  3. Wenn der Job erstellt ist, klicken Sie auf den Link zu den Jobdetails in der Benachrichtigung, um den Job in Ihrem Projekt anzuzeigen. Sie können stattdessen auch zur Registerkarte Jobs im Projekt navigieren und auf den Jobnamen klicken, um den Job zu öffnen.

  4. Wenn der Status des Auftrags "Abgeschlossen" lautet, verwenden Sie den Projektnavigationspfad, um im Projekt zur Registerkarte "Ressourcen" zurückzukehren.

  5. Klicken Sie auf den Abschnitt "Daten > Datenbestände ", um die Ausgabe des Data Refinery -Flusses zu sehen, und öffnen Sie die bank-marketing-data-prepared.csv, um die Werte zu überprüfen.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt die Datei bank-marketing-data-prepared.csv. Jetzt können Sie das Modell unter Verwendung dieser Trainingsdaten erstellen.

Vorschau der Datei " bank-marketing-data-prepared.csv "

Aufgabe 3: Modell trainieren

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 03:58 an.

Sie können verschiedene Tools verwenden, z. B. AutoAI,, SPSS Modeler oder Jupyter-Notebooks, um das Modell zu trainieren. In diesem Tutorial werden Sie ein prädiktives binäres Klassifikationsmodell mit AutoAI trainieren. 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" > "Maschinelle Lernmodelle erstellen" oder "Abrufgestützte Generierungsmuster automatisch ".

  2. Geben Sie auf der Seite „Maschinelles Lernen-Modelle oder durch Abruf erweiterte Generierungsmuster automatisch erstellen“ den Namen ein: Bank marketing experiment

  3. Klicken Sie auf Erstellen.

  4. Wählen Sie als Aufgabe für dieses Experiment die Erstellung von Modellen für maschinelles Lernen aus.

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

    1. Klicken Sie auf "Aus Projekt auswählen ".

    2. Wählen Sie "Datenbestand" > " bank-marketing-data-prepared.csv " und klicken Sie auf "Bestand auswählen ".

  6. Für "Zeitreihenanalyse erstellen?" nr. ausw ählen

  7. Wählen Sie das aktuelle Ergebnis für die Spalte "Vorhersage" aus.

  8. Klicken Sie auf Experiment ausführen. Während die Modelleisenbahnen fahren, sehen Sie eine Infografik, die den Prozess des Baus der Pipelines zeigt.
    Modellpipelines erstellen

    Eine Liste der Algorithmen oder Schätzer, die mit jeder maschinellen Lerntechnik in AutoAI, verfügbar sind, finden Sie unter: AutoAI Implementierungsdetails.

  9. Nach Abschluss des Experimentdurchlaufs können Sie die bewerteten Pipelines in einer Rangliste anzeigen.

    Pipelinebestenliste

  10. Klicken Sie auf "Pipeline-Vergleich ", um die Unterschiede zu sehen.

    Metrikdiagramm für Pipelinevergleich

  11. Klicken Sie in der Pipeline-Bestenliste auf die höchstplatzierte Pipeline, um die Pipeline-Details anzuzeigen.

  12. Sehen Sie sich die Seite "Modellbewertung" an, um die Modellleistung im ROC-Kurvendiagramm und in der Tabelle "Modellbewertungsmaß" zu sehen.

  13. Speichern Sie das Modell.

    1. Klicken Sie auf Speichern unter.

    2. Wählen Sie Modellaus.

    3. Für den Modellnamen geben Sie ein: Bank marketing prediction model

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

  14. 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

Die nächste Aufgabe besteht darin, das Modell in einem Einsatzgebiet zu bewerben und dann einen Online-Einsatz zu erstellen.

Aufgabe 4a: Testdaten in einem Bereitstellungsbereich veröffentlichen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 05:34 an.

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 den bank-marketing-test-data.csv datenbestand und wählen Sie "In Bereich verschieben ".

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

    1. Klicken Sie auf Neuen Bereitstellungsbereich erstellen.

    2. Für den Namen, Typ: Bank marketing promotion 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.

  6. Klicken Sie auf "Schließen ", um zur Registerkarte "Projektbestandteile" zurückzukehren.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

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

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 06:11 an.

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 im Menü "Überlauf" auf Überlaufmenü, um das Datenelement für das Marketing-Prognosemodell der Bank zu öffnen, und wählen Sie "In Bereich verschieben ".

  2. Wählen Sie denselben Bereitstellungsbereich aus der Liste aus.

  3. Klicken Sie auf Hochstufen.

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

  5. 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 Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt das Modell im Bereitstellungsbereich.

Die folgende Abbildung zeigt das Modell im Bereitstellungsbereich.

Task 4c: Modellbereitstellung erstellen und testen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 06:21 an.

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 für den Einsatznamen Folgendes ein: Bank marketing 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 auf der Registerkarte "API-Referenz" den Scoring-Endpunkt, über den Sie programmgesteuert in Ihren Anwendungen auf dieses Modell zugreifen können.

  4. Testen Sie das Modell.

    1. Klicken Sie auf die Registerkarte Test. Sie können das bereitgestellte Modell auf der Seite mit den Bereitstellungsdetails auf zwei Arten testen: Mithilfe eines Formulars oder mit JSON-Code. In diesem Fall wählen Sie die CSV-Datei aus, die Sie aus dem Beispielprojekt in den Bereitstellungsbereich hochgeladen haben.

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

    3. Wählen Sie "Datenbestand" > " bank-marketing-test-data.csv ".

    4. Klicken Sie auf Bestätigen.

    5. Klicken Sie auf "Vorhersagen" und überprüfen Sie die Vorhersagen für die 60 Datensätze in den Testdaten. Das Modell gibt für jeden Kunden, für den das Modell vorhersagt, dass der Bankkunde ein Festgeldkonto abschließen wird, "Ja" zurück.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt die Testergebnisse aus dem bereitgestellten Modell.

Die folgende Abbildung zeigt die Testergebnisse aus dem bereitgestellten Modell.

Aufgabe 5: Sammeln Sie die Marketingprogramme der Wettbewerber

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 07:01 an.

Obwohl Prompt Lab mit strukturiertem und unstrukturiertem Text arbeiten kann, ist es wichtig, dass Sie die richtigen Daten eingeben, die das Modell verarbeiten kann. Sie können dies in einem Jupyter-Notizbuch mit Python -Code tun.

Da die Anzahl der Token, die die Foundation-Modelle in einer einzigen Eingabeaufforderung (dem sogenannten Kontextfenster) verarbeiten können, begrenzt ist, müssen Sie die Daten möglicherweise in Blöcke unterteilen oder zusammenfassen, damit sie in dieses Limit passen. Dieser Schritt stellt sicher, dass die Eingabedaten in einem Format vorliegen, das das Fundamentmodell effektiv verarbeiten kann, ohne dass wesentliche Informationen verloren gehen.

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

  1. Wählen Sie im Navigationsmenü NavigationsmenüProjekte > Alle Projekte anzeigen.
  2. Öffnen Sie das Projekt "Erste Schritte mit watsonx.ai ".
  3. Klicken Sie auf die Registerkarte Assets.
  4. Klicken Sie im Menü "Überlauf" auf Überlaufmenü, um das Notizbuch "Text aus Programmen von Mitbewerbern extrahieren und in Abschnitte unterteilen " zu öffnen, und wählen Sie "Bearbeiten ".
  5. Füllen Sie den Abschnitt Setup aus.
    1. Klicken Sie auf das Symbol "Ausführen" Ausführen, um die Bibliotheken in die erste Zelle 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 in diesem Abschnitt definiert eine Funktion, um Daten von TheNewsAPI's Top Stories abzurufen und Parameter einzurichten, um sicherzustellen, dass Sie relevante Nachrichten erhalten.
    • Die zweite Zelle in diesem Abschnitt definiert eine Funktion, um eine Liste von URLs basierend auf der Antwort zu erhalten.
  7. Führen Sie die Zellen im Abschnitt Funktion zum Extrahieren von Nachrichtentext definieren aus.
    • Die erste Zelle definiert eine Funktion zum Extrahieren von Nachrichtentexten aus einer bestimmten Nachricht URL unter Verwendung der ArticlExtractor API.
    • 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.
    • Die erste Zelle in diesem Abschnitt definiert eine Funktion, die LangChain verwendet, um den Text der Zeichen unter Berücksichtigung des Kontexts des Nachrichtentextes zu trennen. Um sicherzustellen, dass das Fundamentmodell die Informationen aus dem Text übernehmen kann, müssen Sie sicherstellen, dass das Token die Begrenzungen des Kontext-Token-Fensters nicht überschreitet.
    • Die zweite Zelle in diesem Abschnitt zeigt die Antwort. Sie können sehen, dass die endgültige Ausgabe der Daten bereit ist, in die Prompt Lab 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.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt das abgeschlossene Notebook. Sie haben nun den in Blöcke aufgeteilten Text, mit dem Sie das Fundamentmodell aufrufen können.

Das abgeschlossene Notebook

Aufgabe 6: Das Fundamentmodell anregen

Nachdem Sie den relevanten Nachrichtenartikel entsprechend aufgeteilt haben, können Sie Ihre eigenen Eingabeaufforderungsvorlagen in Prompt Lab erstellen oder die Beispiel-Eingabeaufforderungsvorlagen im Beispielprojekt verwenden. Das Beispielprojekt enthält Beispielvorlagen für Eingabeaufforderungen für Zusammenfassungs-und Fragebeantwortungsaufgaben. Führen Sie die folgenden Schritte aus, um das Foundation-Modell in Prompt Lab aufzurufen:

Aufgabe 6a: Zusammenfassungsaufgabe

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 09:32 an.

Probieren Sie zunächst die Vorlage für die Zusammenfassungsaufforderung aus.

  1. Kehren Sie zur Registerkarte Assets des Projekts zurück.

  2. Klicken Sie auf die Vorlage "Bankaktionen zusammenfassen ". Dadurch wird die Eingabeaufforderungsvorlage in Prompt Lab geöffnet.

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

    Für die Zusammenfassungsaufgabe verwenden Sie den in Abschnitte unterteilten Nachrichtenartikeltext als Eingabebeispiel und Notizen, die der Marketingfachmann normalerweise manuell schreibt, um Werbeangebote zu erklären, als Ausgabebeispiel. Damit soll sichergestellt werden, dass das Ergebnis dem ähnelt, was das Marketingteam selbst schreiben würde.

  4. Beachten Sie, dass das für diese Aufforderung verwendete Fundamentmodell XX ist.

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

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

Aufgabe 6b: Aufgabe zur Beantwortung von Fragen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 10:15 an.

Als Nächstes probieren Sie die Vorlage für die Frage-Antwort-Funktion aus.

  1. Klicken Sie auf "Gespeicherte Eingabeaufforderungen " und geben Sie " Gespeicherte Eingabeaufforderungen " ein, um die gespeicherte Eingabeaufforderung für Ihr Projekt anzuzeigen.

  2. Klicken Sie in der Liste der gespeicherten Eingabeaufforderungen auf die Vorlage "Frage-Antwort-Bank-Werbeaktionen ".

  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. Beachten Sie, dass das für diese Aufforderung verwendete Fundamentmodell flan-t5-xxl-11b.

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

  6. Experimentieren Sie mit unterschiedlichem Eingabe-und Ausgabetext.

Aufgabe 6c: Modellparameter anpassen

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 10:37 an.

In der Prompt Lab können Sie die Dekodierungseinstellungen 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 ein hohes Maß an Anpassung, wodurch sichergestellt wird, dass das Modell mit Parametern arbeitet, die den Anforderungen und Einschränkungen der Aufgabe am besten entsprechen.

In Prompt Lab können Sie Token-Beschränkungen festlegen, um sicherzustellen, dass die Aufgaben innerhalb des operativen Umfangs des Modells bleiben. Diese Einstellung hilft dabei, die Vollständigkeit der Antwort mit den technischen Einschränkungen des Modells in Einklang zu bringen, was zu einer effizienten und effektiven Bearbeitung von Aufgaben führt.

Aufgabe 6d: Chat mit Dokumenten

Vorschau-Lernprogrammvideo Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 10:45 an.

Sie können auch den Chat-Modus verwenden, um ein Modell der Stiftung mithilfe eines PDF-Beispieldokuments mit Fakten zu erstellen. Durch Hinzufügen eines oder mehrerer Dokumente wird ein speicherinterner Vektorindex erstellt, den das Stiftungsmodell zur Beantwortung der Frage verwendet.

  1. Klicken Sie auf "Neu ".
  2. Klicken Sie auf "Chat ".
  3. Optional: Wählen Sie ein Modell aus, zum Beispiel llama-3-1-8b-instruct.
  4. Klicken Sie auf das Symbol "Dokumente hochladen " Dokumente hochladen und wählen Sie "Dokumente hinzufügen ".
  5. Klicken Sie auf "Aus Projekt auswählen ".
    1. Wählen Sie Bank CD Rates.pdf.
    2. Klicken Sie auf Auswählen.
  6. Zurück auf der Seite "Gen AI mit vektorisierten Dokumenten" von "Back on the Ground" überprüfen Sie den Namen und klicken Sie auf "Erstellen ".
  7. Geben Sie in das Feld "Geben Sie etwas ein" Which bank has the best APY for a term deposit and what is the rate? ein und klicken Sie auf das Senden-Symbol Senden, um die Antwort zu sehen.

Prüfpunktsymbol Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt die Prompt Lab.

Das Prompt Lab

Nächste Schritte

Mit Eingabeaufforderungs-Notebooks experimentieren

Von Prompt Lab aus können Sie Ihre Arbeit im Notizbuchformat speichern:

  1. Laden Sie eine gespeicherte Eingabeaufforderungsvorlage.
  2. Klicken Sie auf Arbeit speichern > Speichern unter.
  3. Wählen Sie ein Standard-Notizbuch aus. Beachten Sie, dass Sie Ihre Arbeit auch als Bereitstellungsnotizbuch speichern können, das Sie als KI-Dienst bereitstellen können.
  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.

Ein Fundamentmodell abstimmen

Sie können das Fundamentmodell anpassen, um die Modellleistung im Vergleich zur reinen Eingabe von Konstruktionsdaten zu verbessern oder die Kosten durch den Einsatz eines kleineren Modells zu senken, das eine ähnliche Leistung wie ein größeres Modell erbringt. Sehen Sie sich das Modell-Tutorial der Tune a Foundation an.

Vergleichen Sie die schnelle Leistung

Sie können Evaluation Studio verwenden, um mehrere Eingabeaufforderungen zu vergleichen. Mit Evaluation Studio können Sie Ihre generativen KI-Assets mit quantitativen Metriken und anpassbaren Kriterien, die zu Ihren Anwendungsfällen passen, bewerten und vergleichen. Bewerten Sie die Leistung mehrerer Anlagen gleichzeitig und sehen Sie sich vergleichende Analysen der Ergebnisse an, um die besten Lösungen zu ermitteln. Sehen Sie sich das Tutorial zum Vergleich der Leistung bei der Eingabeaufforderung an.

Automatisieren Sie den Lebenszyklus eines Modells mit Pipelines

Sie können eine End-to-End-Pipeline erstellen, um prägnante, vorverarbeitete und aktuelle Daten zu liefern, die in einer externen Datenquelle gespeichert sind. Der Orchestration Pipelines Editor bietet eine grafische Oberfläche für die Orchestrierung eines End-to-End-Flusses von Assets von der Erstellung bis zur Bereitstellung. Sie können eine Pipeline zusammenstellen und konfigurieren, um Modelle für maschinelles Lernen und Python-Scripts zu erstellen, zu trainieren, bereitzustellen und zu aktualisieren. Sehen Sie sich das Tutorial "Automatisierung des Lebenszyklus für ein Modell mit Pipelines " an.

Weitere Ressourcen

Übergeordnetes Thema: Lernprogramme für den Schnelleinstieg