0 / 0
Volver a la versión inglesa de la documentación
Inicio rápido: Pruebe el caso de uso completo de watsonx.ai

Inicio rápido: Pruebe el caso de uso completo de watsonx.ai

Esta guía de aprendizaje se centra en un caso de uso de ejemplo en el sector financiero. Golden Bank necesita realizar un análisis de anomalías de acciones para impulsar la productividad y aumentar la precisión del trabajo de un analista de acciones en la banca de inversión.

Servicios necesarios
watsonx.ai
Watson Machine Learning

Escenario: Proceso de análisis de anomalías de existencias

Para lograr este objetivo, el proceso típico puede ser el siguiente:

  1. Un banquero o gerente de inversiones pide al analista de acciones que investigue las acciones de una empresa.
  2. El analista de acciones descarga los datos de acciones de la compañía.
  3. Buscan a través de los datos de las acciones manualmente para encontrar anomalías en cómo se comportó el precio de las acciones.
  4. Explican las anomalías buscando manualmente en la web artículos de noticias relevantes en torno a las fechas específicas.
  5. El analista de acciones resume el razonamiento detrás de las anomalías usando los artículos de noticias.
  6. Hacen un seguimiento de la investigación sobre piezas específicas de información y fechas.
  7. Envían el informe al banquero de inversión para que hagan un análisis más profundo con el fin de tomar una decisión de inversión.

Flujo de trabajo de tarea básica utilizando watsonx.ai

Watsonx.ai puede ayudar a realizar cada fase de este proceso. El flujo de trabajo básico incluye estas tareas:

  1. Abra un proyecto. Los proyectos son la ubicación donde puede colaborar con otros para trabajar con los datos.
  2. Añada datos al proyecto. Puede añadir archivos CSV o datos desde un origen de datos remoto mediante una conexión.
  3. Entrenar un modelo. Puede utilizar diversas herramientas como, por ejemplo, AutoAI, SPSS Modelero cuadernos Jupyter para entrenar el modelo.
  4. Despliegue y pruebe su modelo.
  5. Transforme los datos.
  6. Solicitar un modelo de base.
  7. Ajuste el modelo de base.

Lea acerca de watsonx.ai

Para transformar sus procesos de negocio con soluciones basadas en IA, su empresa necesita integrar tanto machine learning como IA generativa en su infraestructura operativa. Watsonx.ai proporciona los procesos y las tecnologías para que su empresa pueda desarrollar y desplegar modelos de aprendizaje automático y soluciones generativas de IA.

Más información sobre watsonx.ai

Más información sobre los casos de uso de watsonx.ai

Vea un vídeo sobre watsonx.ai

Ver vídeo Vea este vídeo para obtener una vista preliminar de los pasos de esta guía de aprendizaje. Puede haber pequeñas diferencias en la interfaz de usuario que se muestra en el vídeo. El vídeo está pensado para ser un compañero del tutorial escrito.

Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.


Pruebe una guía de aprendizaje para watsonx.ai

En esta guía de aprendizaje, realizará estas tareas:





Sugerencias para completar esta guía de aprendizaje

Estas son algunas sugerencias para completar correctamente esta guía de aprendizaje.

Utilizar la imagen en imagen de vídeo

Sugerencia: Inicie el vídeo y, a continuación, a medida que se desplaza por el tutorial, el vídeo pasa al modo de imagen en imagen. Cierre la tabla de contenido de vídeo para obtener la mejor experiencia con la imagen en imagen. Puede utilizar el modo de imagen en imagen para poder seguir el vídeo mientras completa las tareas de este tutorial. Pulse las indicaciones de fecha y hora para cada tarea a seguir.

La siguiente imagen animada muestra cómo utilizar las características de imagen en imagen y tabla de contenido de vídeo:

Cómo utilizar la imagen en la imagen y los capítulos

Obtener ayuda en la comunidad

Si necesita ayuda con esta guía de aprendizaje, puede formular una pregunta o encontrar una respuesta en el foro de discusión de la comunidad dewatsonx.

Configurar las ventanas del navegador

Para obtener la experiencia óptima al completar esta guía de aprendizaje, abra Cloud Pak for Data en una ventana de navegador y mantenga abierta esta página de la guía de aprendizaje en otra ventana de navegador para conmutar fácilmente entre las dos aplicaciones. Considere la posibilidad de organizar las dos ventanas del navegador una al lado de la otra para que sea más fácil de seguir.

Guía de aprendizaje en paralelo e interfaz de usuario

Sugerencia: Si encuentra una visita guiada al completar esta guía de aprendizaje en la interfaz de usuario, pulse Quizás más tarde.



Tarea 1: Crear el proyecto de ejemplo

vídeo tutorial de vista previa 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.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra el separador Activos del proyecto. Ahora está preparado para visualizar los datos de entrenamiento.

texto alternativo




Tarea 2: Visualizar los datos

vídeo tutorial de vista previa 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.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra una visualización del archivo training_data.csv . Ahora está preparado para crear el modelo utilizando estos datos de entrenamiento.

Visualización del archivo training_data.csv




Tarea 3: Entrenar el modelo

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

Puede utilizar diversas herramientas como, por ejemplo, AutoAI, SPSS Modelero 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
    ```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. 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 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.
    Crear interconexiones de modelo

    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.

    tabla de clasificación de interconexiones

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

    Gráfico de métrica de comparación de interconexiones

  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 .

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra el modelo.

La imagen siguiente muestra el modelo.




Tarea 4: Desplegar el modelo

vídeo tutorial de vista previa 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.

Tarea 4a: Promocionar los datos de prueba al espacio de despliegue

El proyecto de ejemplo incluye datos de prueba. Los datos de prueba se promocionan a un espacio de despliegue, de modo que puede utilizar los datos de prueba para probar el modelo desplegado. Siga estos pasos para promocionar los datos de prueba a un espacio de despliegue:

  1. Vuelva a la pestaña Activos del proyecto.

  2. Pulse el menú Desbordamiento Menú de desbordamiento para el activo de datos test_data.csv y elija Promocionar al espacio.

  3. Seleccione un espacio de despliegue existente. Si no tiene un espacio de despliegue:

    1. Pulse Crear un nuevo espacio de despliegue.

    2. Para el nombre, escriba:

      Anomaly Prediction Space
      
    3. Seleccione un servicio de almacenamiento.

    4. Pulse Añadir servicio de aprendizaje automático.

    5. Pulse Crear.

    6. Cierre la notificación cuando el espacio esté listo.

  4. Seleccione el nuevo espacio de despliegue en la lista.

  5. Haga clic en Promover.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra la página Promocionar al espacio .

La imagen siguiente muestra la página Promocionar a espacio.

Tarea 4b: Promocionar el modelo a un espacio de despliegue

Para poder desplegar el modelo, debe promocionarlo a un espacio de despliegue. Siga estos pasos para promocionar el modelo a un espacio de despliegue:

  1. En la pestaña Activos , pulse el menú Desbordamiento Menú de desbordamiento para el modelo Modelo de predicción de anomalía y elija Promocionar al espacio.

  2. Seleccione el mismo espacio de despliegue de la lista.

  3. Seleccione la opción Ir al modelo en el espacio después de promocionarlo .

  4. Haga clic en Promover.

Nota: Si no ha seleccionado la opción para ir al modelo en el espacio después de promocionarlo, puede utilizar el menú de navegación para ir a Despliegues para seleccionar el espacio de despliegue y el modelo.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra el modelo en el espacio de despliegue.

La imagen siguiente muestra el modelo en el espacio de despliegue.

Tarea 4c: Crear y probar un despliegue de modelo

Ahora que el modelo está en el espacio de despliegue, siga estos pasos para crear el despliegue del modelo:

  1. Con el modelo abierto, pulse Nuevo despliegue.

    1. Seleccione En línea como Tipo de despliegue.

    2. Para el nombre de despliegue, escriba:

      Anomaly Prediction Model Deployment
      
    3. Pulse Crear.

  2. Cuando se haya completado el despliegue, pulse el nombre del despliegue para ver la página de detalles del despliegue.

  3. Revise el punto final de puntuación, que puede utilizar para acceder a este modelo mediante programación en las aplicaciones.

  4. Pruebe el modelo.

    1. Pulse el separador Probar.

    2. Para localizar los datos de prueba, haga clic en Buscar en espacio.

    3. Seleccione Activo de datos > test_data.csv.

    4. Pulse Confirmar.

    5. Pulse Predeciry revise las predicciones para los 62 registros en los datos de prueba.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra los resultados de la prueba del modelo desplegado.

La imagen siguiente muestra los resultados de prueba del modelo desplegado.




Tarea 5: Recopilar artículos de noticias relevantes

vídeo tutorial de vista previa 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 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 Menú de desbordamiento del cuaderno Extraer y fragmentar texto de artículos de noticias y elija Editar.
  5. Complete la sección Configuración .
    1. Ejecute la primera célula para importar las bibliotecas.
    2. Obtenga las claves de API necesarias:
      1. Siga el enlace para crear una cuenta y una clave de API en la APITheNews.
      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 las principales historias de la API de TheNewsy configurar parámetros para asegurarse de que puede obtener 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 todos los URL de artículo obtenidos de la API TheNews.
  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. El separador de texto de LangChaindivide el texto largo en fragmentos con significado semántico, o frases, y los combina de nuevo como un texto completo que se va a procesar. Puede ajustar el tamaño máximo de los fragmentos.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra el cuaderno completado. Ahora tiene que utilizar el texto fragmentado para solicitar el modelo de base.

El cuaderno completado




Tarea 6: Solicitar el modelo de base

vídeo tutorial de vista previa 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.

Tarea de resumen

  1. Vuelva a la pestaña Activos del proyecto.

  2. Pulse la plantilla de solicitud Resumir artículos de noticias . Esto abre la plantilla de solicitud en el laboratorio de solicitud.

  3. Pulse Editar para abrir la plantilla de solicitud en modalidad de edición.

    Para la tarea de resumen, utilice el texto del artículo de noticias fragmentado como ejemplo de entrada, y tenga en cuenta que el analista de acciones suele escribir manualmente para explicar anomalías como ejemplo de salida. Esto es para asegurarse de que la salida es similar a lo que el analista de acciones podría escribir por sí mismo.

  4. Pulse Generar para ver los resultados de resumen.

  5. Experimente con diferentes texto de entrada y salida del artículo de noticias fragmentado en el cuaderno.

Tarea de respuesta a preguntas

  1. Pulse Solicitudes guardadas Solicitudes guardadas para ver la solicitud guardada del proyecto.

  2. Pulse la plantilla de solicitud Artículos de noticias de respuesta a preguntas en la lista de solicitudes guardadas.

  3. Pulse Editar para abrir la plantilla de solicitud en modalidad de edición.

    Para la tarea de respuesta a preguntas, utilice las preguntas como ejemplo de entrada y las respuestas en el nivel de detalle necesario y el formato preferido como ejemplo de salida.

  4. Pulse Generar para ver los resultados de resumen.

  5. Experimente con texto de entrada y salida diferente.

Ajustar los parámetros del modelo

En Prompt Lab, puede ajustar los valores de decodificación para optimizar la salida del modelo para la tarea específica:

  • Decodificación
    • Codicioso: seleccione siempre las palabras con la mayor probabilidad
    • Muestreo: personalizar la variabilidad de la selección de palabras
  • Penalización por repetición: cuánta repetición se permite
  • Criterios de detención: una o más series que harán que la generación de texto se detenga si se produce

Esta flexibilidad permite un alto grado de personalización, asegurando que el modelo opera con los parámetros más adecuados a los requisitos y restricciones de la tarea.

En el laboratorio de solicitud, puede establecer limitaciones de señal para asegurarse de que las tareas permanecen dentro del ámbito operativo del modelo. Este ajuste ayuda a equilibrar la integralidad de la respuesta con las limitaciones técnicas del modelo, asegurando un procesamiento eficiente y efectivo de las tareas.

Icono de punto de comprobación Compruebe el progreso

La imagen siguiente muestra Prompt Lab.

La práctica de laboratorio de solicitud



Próximos pasos

Experimentar con cuadernos de solicitud

En Prompt Lab, puede guardar el trabajo en formato de cuaderno:

  1. Cargar una plantilla de solicitud guardada.
  2. Pulse Guardar trabajo > Guardar como.
  3. Seleccione Cuaderno.
  4. Escriba un nombre.
  5. Pulse Guardary, a continuación, explore el cuaderno de solicitud.
  6. Repita estos pasos para la otra plantilla de solicitud.

Ajustar un modelo de base

Es posible que desee ajustar el modelo de fundación para mejorar el rendimiento del modelo en comparación con la ingeniería de solicitud sola o reducir costes desplegando un modelo más pequeño que tenga un rendimiento similar al de un modelo más grande. Consulte la guía de aprendizaje Ajustar un modelo de base .

Recursos adicionales

Tema principal: Guías de aprendizaje de inicio rápido

Búsqueda y respuesta de IA generativa
Estas respuestas las genera un modelo de lenguaje grande en watsonx.ai que se basa en el contenido de la documentación del producto. Más información