Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 00:58.

Esta guía de aprendizaje utiliza un proyecto de ejemplo que contiene los conjuntos de datos, el cuaderno y las plantillas de solicitud para realizar el análisis. Siga estos pasos para crear un proyecto basado en un ejemplo:

1. Acceda al proyecto Análisis de anomalías de stock en el concentrador de recursos.

   1. Pulse Crear proyecto.

   2. Acepte los valores predeterminados para el nombre de proyecto y pulse Crear.

   3. Pulse Ver proyecto nuevo cuando el proyecto se haya creado correctamente.

2. Asocie un servicio de Watson Machine Learning con el proyecto:

   1. Cuando se abra el proyecto, pulse el separador Gestionar y seleccione la página Servicios e integraciones .

   2. En la pestaña Servicios deIBM , pulse Asociar.

   3. Seleccione la instancia de Watson Machine Learning . Si todavía no ha suministrado una instancia de servicio de Watson Machine Learning , siga estos pasos:

      1. Pulse Nuevo servicio.

      2. Seleccione Watson Machine Learning.

      3. Pulse Crear.

      4. Seleccione la nueva instancia de servicio en la lista.

   4. Pulse Asociar servicio.

   5. Si es necesario, pulse Cancelar para volver a la página Servicios e integraciones .

3. Pulse la pestaña Activos en el proyecto para ver los activos de ejemplo.

Para obtener más información o ver un vídeo, consulte Creación de un proyecto.

Para obtener más información sobre los servicios asociados, consulte Adición de servicios asociados.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 01:27.

Los tres conjuntos de datos del proyecto de ejemplo contienen datos sintéticos generados utilizando datos de existencias públicas de Yahoo! Financia el sitio web como base. Los datos de entrenamiento para un modelo de predicción de anomalías de serie temporal deben ser estructurados y secuenciales. En este caso, los datos sintéticos son estructurados y secuenciales. Siga estos pasos para ver los activos de datos en el proyecto de ejemplo:

1. Abra el conjunto de datos historical_data.csv . Este conjunto de datos contiene el rendimiento histórico de precios de existencias de mayo de 2012 a mayo de 2016.
2. Vuelva al separador Activos del proyecto y abra el conjunto de datos test_data.csv . Este conjunto de datos contiene el rendimiento histórico de precios de existencias en Q1 2023.
3. Vuelva al separador Activos del proyecto y abra el conjunto de datos training_data.csv . Este conjunto de datos contiene el rendimiento histórico de precios de existencias en 2023.
4. Pulse la pestaña Visualización .
   1. Seleccione la columna Fecha y, a continuación, pulse Visualizar datos. Se muestra el primer tipo de gráfico sugerido, un histograma.
   2. Seleccione el tipo de gráfico Línea .
      1. Para el Eje X, seleccione la columna Fecha .
      2. Para el Eje Y, seleccione la columna Cerrar ajuste . Muestra el precio de cierre ajustado por fecha. La columna de destino para el análisis de anomalías es el precio de cierre ajustado.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 02:13.

Puede utilizar una variedad de herramientas, como, AutoAI, SPSS Modeler o cuadernos Jupyter para entrenar el modelo. En esta guía de aprendizaje, entrenará el modelo de predicción de anomalías de análisis de series temporales con AutoAI. Siga estos pasos para crear el experimento AutoAI :

1. Vuelva a la pestaña Activos del proyecto y, a continuación, pulse Nuevo activo > Crear modelos de aprendizaje automático automáticamente.

2. En la página Crear automáticamente modelos de aprendizaje automático , escriba el nombre:

   Stock anomaly experiment
   

3. Pulse Crear.

4. En la página Añadir origen de datos , añada los datos de entrenamiento:

   1. Pulse Seleccionar datos del proyecto.

   2. Seleccione Activo de datos > training_data.csvy pulse Seleccionar activo.

5. Establezca los valores de análisis de serie temporal:

   1. Seleccione Sí si se le solicita que cree un experimento de serie temporal.

   2. Seleccione Predicción de anomalías.

6. Seleccione Cerrar ajuste para las Columnas de características.

7. Pulse Ejecutar experimento. A medida que entrena el modelo, verá una infografía que muestra el proceso de creación de las interconexiones.
   

   Para obtener una lista de algoritmos, o estimadores, disponibles con cada técnica de aprendizaje de máquina en AutoAI, consulte: Detalle de la implementación de AutoAI.

8. Una vez completada la ejecución del experimento, puede ver y comparar las interconexiones clasificadas en un marcador.

   

9. Puede pulsar Comparación de interconexiones para ver en qué se diferencian.

   

10. Pulse el conducto con la clasificación más alta para ver los detalles del conducto.

11. Revise la página Evaluación del modelo para ver las métricas de evaluación detalladas sobre el rendimiento del modelo.

    La herramienta AutoAI considera una amplia gama de criterios para detectar anomalías. En la tabla, puede ver la evaluación basada en distintas métricas, como por ejemplo Promedio de precisión y Área bajo ROC, para cada uno de los tipos de anomalía.

    Tipos de anomalía

    Tipo de anomalía	Descripción
    Anomalía de tendencia	Un segmento de serie temporal, que tiene un cambio de tendencia en comparación con la serie temporal anterior al segmento.
    Anomalía de varianza	Segmento de serie temporal en el que se cambia la varianza de una serie temporal.
    Anomalía extrema localizada	Un punto de datos inusual en una serie temporal, que se desvía significativamente de los puntos de datos a su alrededor.
    Anomalía de cambio de nivel	Segmento en el que se cambia el valor medio de una serie temporal.

12. Guarde el modelo.

    1. Pulse Guardar como.

    2. Seleccione Modelo.

    3. Para el nombre del modelo, escriba:

       Anomaly Prediction Model
       

    4. Pulse Crear. Esto guarda la interconexión como un modelo en el proyecto.

13. Cuando se guarde el modelo, pulse el enlace Ver en el proyecto en la notificación para ver el modelo en el proyecto. De forma alternativa, puede ir a la pestaña Activos del proyecto y pulsar el nombre del modelo en la sección Modelos .

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 03:40.

La siguiente tarea es promocionar los datos de prueba y el modelo a un espacio de despliegue y, a continuación, crear un despliegue en línea.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 05:07.

Aunque Prompt Lab puede trabajar con texto estructurado y no estructurado, es esencial asegurarse de que especifica los datos correctos que el modelo puede procesar. En este caso de uso, es necesario procesar el texto del artículo de noticias basándose en las fechas de anomalía que ha obtenido de la predicción de anomalía. Puede integrar una API de noticias externas para extraer las noticias relevantes durante esas fechas para simplificar el proceso de recopilación de datos. Puede hacerlo en un cuaderno Jupyter con código Python .

Puesto que los modelos de base tienen un límite en el número de señales que pueden procesar en una sola solicitud (conocida como la ventana de contexto), es posible que sea necesario trocear o resumir los datos para que se ajusten a este límite. Este paso garantiza que los datos de entrada estén en un formato que el modelo de base pueda procesar de forma eficaz sin perder información esencial.

Siga estos pasos para ejecutar el cuaderno:

1. En el Menú de navegación , seleccione Proyectos > Ver todos los proyectos.
2. Abra el proyecto Análisis de anomalías de stock .
3. Pulse la pestaña Activos.
4. Pulse el menú Desbordamiento del cuaderno Extraer y fragmentar texto de artículos de noticias y elija Editar.
5. Complete la sección Configuración .
   1. Pulse el icono Ejecutar de la primera celda para importar las bibliotecas.
   2. Obtenga las claves de API necesarias:
      1. Siga el enlace para crear una cuenta y una clave API en TheNewsAPI.
      2. Pegue la clave de API en la variable thenewsapi_key .
      3. Siga el enlace para crear una cuenta y una clave de API en ArticlExtractor.
      4. Pegue la clave de API en la variable extract_key .
   3. Ejecute la célula para establecer las dos variables de clave de API.
6. Ejecute las celdas en la sección Definir la función para obtener URL de artículos de noticias .
   • La primera celda define una función para obtener datos de TheNewsAPI's Historias destacadas y configure parámetros para garantizar que pueda recibir noticias relevantes.
   • La segunda celda define una función para obtener sólo una lista de URL basándose en la respuesta.
7. Ejecute las celdas en la sección Definir la función para extraer texto de noticias .
   • La primera celda define una función para extraer texto de noticias de un URL de noticias específico utilizando la API ArticlExtractor .
   • La segunda celda define una función para combinar texto de noticias de todas las URL de artículos obtenidas de TheNewsAPI.
8. Ejecute la celda en la sección Definir la función para fragmentar texto de noticias . Para asegurarse de que el modelo de base LLM puede tomar la información del texto, debe asegurarse de que la señal no supere las limitaciones de la ventana de señal de contexto. En este ejemplo, define una función para utilizar LangChain para dividir el texto de caracteres teniendo en cuenta el contexto del texto de noticias.
9. Ejecute la célula en la sección Ejecutar las funciones . En la respuesta, puede ver que la salida final de los datos está lista para ser introducida en Prompt Lab. LangChain’s El divisor de texto divide el texto largo en fragmentos u oraciones semánticamente significativos y los combina nuevamente como un texto completo para ser procesado. Puede ajustar el tamaño máximo de los fragmentos.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 07:17.

Ahora que tiene el artículo de noticias relevante troceado correctamente, puede construir sus propias plantillas de solicitud en Prompt Lab, o puede utilizar las plantillas de solicitud de ejemplo en el proyecto de ejemplo. El proyecto de ejemplo incluye plantillas de solicitud de ejemplo para tareas de resumen y respuesta a preguntas. Siga estos pasos para solicitar el modelo de base en Prompt Lab.