Acerca de las cookies de este sitio Nuestros sitios web necesitan algunas cookies para funcionar correctamente (necesarias). Además, se pueden utilizar otras cookies con su consentimiento para analizar el uso del sitio, para mejorar la experiencia del usuario y para publicidad. Para obtener más información, consulte sus opciones de. Al visitar nuestro sitio web, acepta que procesemos la información tal y como se describe en ladeclaración de privacidad de IBM. Para facilitar la navegación, sus preferencias de cookies se compartirán entre los dominios web de IBM que se muestran aquí.
Inicio rápido: Pruebe el caso de uso completo de watsonx.ai
Última actualización: 25 mar 2025
Esta guía de aprendizaje se centra en un caso de uso de ejemplo en el sector financiero. Golden Bank necesita implantar un proceso para analizar las promociones de marketing con el fin de impulsar las ventas de sus productos de inversión.
- Servicios necesarios
- watsonx.ai incluidos watsonx.ai Runtime y watsonx.ai Studio
Escenario: Proceso de promociones de marketing bancario
Para lograr este objetivo, el proceso típico puede ser el siguiente:
- El ingeniero de datos visualiza y prepara los datos de marketing bancario para verificar el formato correcto para entrenar el modelo.
- El ingeniero de ML buildS un modelo de aprendizaje automático para predecir la eficacia de sus promociones.
- El ingeniero de ML despliega y prueba el modelo.
- El científico de datos escribe el código Python para encontrar promociones similares de los competidores del banco.
- El ingeniero rápido:
- Construye plantillas de instrucciones para realizar tareas de resumen y respuesta a preguntas.
- Compara el rendimiento de varios avisos para determinar si es necesario un reentrenamiento.
- Ajusta el modelo de base con datos de reentrenamiento para proporcionar el mejor rendimiento y rentabilidad.
- Crea un canal para simplificar el proceso de reciclaje.
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:
- Abra un proyecto. Los proyectos son la ubicación donde puede colaborar con otros para trabajar con los datos.
- Añada datos al proyecto. Puede añadir archivos CSV o datos desde un origen de datos remoto mediante una conexión.
- Prepare los datos de entrenamiento en Data Refinery.
- Entrenar un modelo con los datos de entrenamiento. Puede utilizar varias herramientas, como AutoAI, SPSS Modeler, o cuadernos Jupyter para entrenar el modelo.
- Despliegue y pruebe su modelo en un proyecto o espacio de despliegue.
- Recopilar y analizar datos relacionados con el modelo en un cuaderno Jupyter.
- Solicitar a una modelo de fondo en Prompt Lab.
- Compara el rendimiento de los avisos en Evaluation Studio.
- Sintonice el modelo de base en Tuning Studio.
- Automatice el ciclo de vida de un modelo con Pipelines.
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.
Vea un vídeo sobre watsonx.ai
Vea este vídeo para obtener una vista preliminar de los pasos de esta guía de aprendizaje. Puede haber ligeras 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:
- Tarea 1: Crear el proyecto de ejemplo
- Tarea 2: Visualizar y preparar los datos
- Tarea 3: Entrenar el modelo
- Tarea 4: Desplegar el modelo
- Tarea 5: Reunir los programas de marketing de la competencia
- Tarea 6: Solicitar al modelo de base
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:
Obtener ayuda en la comunidad
Si necesitas ayuda con este tutorial, puedes hacer una pregunta o encontrar una respuesta en el foro de debate de la Comunidad watsonx.
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.
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
Para previsualizar esta tarea, vea el vídeo a partir del minuto 00:51.
Este tutorial utiliza un proyecto de ejemplo que contiene el conjunto de datos, el cuaderno y las plantillas de avisos para realizar el análisis. Siga estos pasos para crear un proyecto basado en un ejemplo:
En la pantalla de inicio, haga clic en el icono Crear un nuevo proyecto
.Seleccionar muestra.
Busque
, seleccione ese proyecto de ejemplo y haga clic en Siguiente.Elija una instancia de servicio de almacenamiento de objetos existente o cree una nueva.
Pulse Crear.
Espere a que se complete la importación del proyecto y, a continuación, haga clic en Ver nuevo proyecto.
Asocie un servicio watsonx.ai Runtime al proyecto. Para obtener más información, consulte Añadir servicios asociados a un proyecto.
Cuando se abra el proyecto, pulse el separador Gestionar y seleccione la página Servicios e integraciones .
En la pestaña de servicios IBM, haga clic en Asociar servicio.
Seleccione su instancia de watsonx.ai Runtime. Si aún no dispone de una instancia de servicio watsonx.ai Runtime provisionada, siga estos pasos:
Pulse Nuevo servicio.
Seleccione watsonx.ai Runtime.
Pulse Crear.
Seleccione la nueva instancia de servicio en la lista.
Pulse Asociar servicio.
Si es necesario, pulse Cancelar para volver a la página Servicios e integraciones .
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.
Comprueba tu progreso
La imagen siguiente muestra el separador Activos del proyecto. Ahora está preparado para visualizar los datos de entrenamiento.
Tarea 2: Visualizar y preparar los datos
Los datos corresponden a campañas de marketing directo (llamadas telefónicas) de una entidad bancaria portuguesa. El objetivo de la clasificación es predecir si el cliente suscribirá (sí/no) un depósito a plazo (columna resultado_actual). Este conjunto de datos se basa en un conjunto de datos procedentes del Repositorio Machine Learning de la UCI.
Tarea 2a: Visualizar los datos
Para previsualizar esta tarea, vea el vídeo a partir del minuto 01:24.
En primer lugar, se visualizan los datos para ver si hay anomalías evidentes. Siga estos pasos para visualizar los datos:
- Abra el bank-marketing-data.csv conjunto de datos. Las columnas contienen información sobre los clientes potenciales.
- Haga clic en el icono Ver información del activo
para cerrar el panel Acerca de este activo. - Pulse la pestaña Visualización .
- Seleccione la columna resultado_actual como Columnas a visualizar. Esta columna indica si la persona contactada aceptó la oferta actual; esta columna es la columna objetivo cuando se construye el modelo.
- Haga clic en Añadir otra columna y seleccione la columna resultado_anterior. Esta columna indica si la persona contactada aceptó la oferta anterior. Observe que los tipos de gráficos con un punto azul son los gráficos sugeridos.
- Seleccione el tipo de diagrama de árbol. Este gráfico muestra una comparación de las personas que aceptaron una oferta anterior y si esas mismas personas aceptaron la oferta actual.
- Pase el ratón por encima del nodo raíz para ver el número total de registros del conjunto de datos.
- Del mismo modo, pase el ratón por encima de los nodos "no" y " sí" para ver esos totales.
- Pase el ratón por encima del nodo no etiquetado para ver el número total de registros del conjunto de datos en los que el campo current_outcome es nulo.
Comprueba tu progreso
La siguiente imagen muestra una visualización del archivo bank-marketing-data.csv. Ahora está listo para preparar los datos de entrenamiento.
Tarea 2b: Preparar los datos
Para previsualizar esta tarea, vea el vídeo a partir del minuto 02:40.
Dado que current_outcome es la columna de destino, es necesario preparar el conjunto de datos para eliminar las filas con valores nulos. Siga estos pasos para preparar el conjunto de datos:
- Haga clic en Preparar datos para abrir Data Refinery.
- Cierre el panel Acerca de este activo.
- Seleccione la columna resultado_actual.
- Haga clic en Nuevo paso > Eliminar filas vacías.
- Haga clic en Aplicar.
- Haga clic en la pestaña Perfil para verificar la acción.
- Desplácese hasta la columna current_outcome para ver que todos los valores son "sí" o "no".
Comprueba tu progreso
La siguiente imagen muestra la columna current_outcome en la pestaña Perfil. Ahora está preparado para crear el modelo utilizando estos datos de entrenamiento.
Tarea 2c: Guardar los datos refinados
Para previsualizar esta tarea, vea el vídeo a partir del minuto 03:08.
Para guardar los datos refinados, especifique el nombre de archivo para el conjunto de datos de destino y, a continuación, cree y ejecute un trabajo. Siga estos pasos para guardar los datos refinados:
Especifique el nombre del archivo:
- Haga clic en el icono Configuración
. - Haga clic en la página Conjunto de datos de destino.
- Haga clic en Editar propiedades.
- Cambie el nombre del activo Datos* a
. - Pulse Guardar.
- Haga clic en Aplicar.
- Haga clic en el icono Configuración
Crea y ejecuta el trabajo:
En la barra de herramientas, haga clic en el icono Trabajos y seleccione Guardar y crear un trabajo.
Escriba el siguiente nombre,
, y haga clic en Siguiente.En la página Configurar, seleccione un entorno de ejecución y haga clic en Siguiente.
En la página Programación, acepte los valores predeterminados y haga clic en Siguiente.
En la página Notificar, mantenga las notificaciones desactivadas para este trabajo y haga clic en Siguiente.
Revise los detalles y pulse Crear y ejecutar para ejecutar el trabajo inmediatamente.
Cuando se cree el trabajo, pulse el enlace detalles del trabajo en la notificación para ver el trabajo en el proyecto. Como alternativa, puede ir hasta la pestaña Trabajos del proyecto y pulsar el nombre del trabajo para abrirlo.
Cuando el estado del trabajo sea Completado, utilice la ruta de navegación del proyecto para volver a la pestaña Activos del proyecto.
Haga clic en la sección Datos > Activos de datos para ver la salida del flujo Data Refinery, y abra la ventana bank-marketing-data-prepared.csv para verificar los valores.
Comprueba tu progreso
La siguiente imagen muestra el archivo bank-marketing-data-prepared.csv. Ahora está preparado para crear el modelo utilizando estos datos de entrenamiento.
Tarea 3: Entrenar el modelo
Para previsualizar esta tarea, vea el vídeo a partir del minuto 03:58.
Puede utilizar varias herramientas, como AutoAI, SPSS Modeler, o cuadernos Jupyter para entrenar el modelo. En este tutorial, entrenará un modelo de clasificación binario predictivo con AutoAI. Siga estos pasos para crear el experimento AutoAI :
Vuelva a la pestaña Activos del proyecto y, a continuación, haga clic en Nuevo activo > Construir automáticamente modelos de aprendizaje automático o Patrones de generación aumentados por recuperación.
En la página Construir automáticamente modelos de aprendizaje automático o Patrones de generación aumentados por recuperación, escriba el nombre:
Pulse Crear.
Seleccione Construir modelos de aprendizaje automático como tarea para este experimento.
En la página Añadir origen de datos , añada los datos de entrenamiento:
Haga clic en Seleccionar del proyecto.
Seleccione Activo de datos > bank-marketing-data-prepared.csv, y haga clic en Seleccionar activo.
Para Crear un análisis de series temporales?, seleccione No.
Seleccione resultado-actual para la columna Predicción.
Pulse Ejecutar experimento. A medida que el modelo se entrena, se ve una infografía que muestra el proceso de construcción de las tuberías.
Para obtener una lista de algoritmos, o estimadores, disponibles con cada técnica de aprendizaje automático en AutoAI,, consulte: AutoAI implementation details.
Una vez finalizado el experimento, puede ver las tuberías clasificadas en una tabla de clasificación.
Haga clic en la comparación Pipeline para ver en qué se diferencian.
En la tabla de clasificación de canalizaciones, haga clic en la canalización mejor clasificada para ver los detalles de la misma.
Revise la página Evaluación del modelo para ver el rendimiento del modelo en el gráfico de la curva ROC y la tabla de medidas de evaluación del modelo.
Guarde el modelo.
Pulse Guardar como.
Seleccione Modelo.
Escribe el nombre del modelo:
Pulse Crear. Esto guarda la interconexión como un modelo en el proyecto.
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 .
Compruebe el progreso
La imagen siguiente muestra el modelo.
Tarea 4: Desplegar el modelo
La siguiente tarea consiste en promover el modelo a un espacio de despliegue y, a continuación, crear un despliegue en línea.
Tarea 4a: Promover los datos de prueba a un espacio de despliegue
Para previsualizar esta tarea, vea el vídeo a partir del minuto 05:34.
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:
Vuelva a la pestaña Activos del proyecto.
Haga clic en el menú Desbordamiento
para el bank-marketing-test-data.csv activo de datos y seleccione Promover al espacio.Seleccione un espacio de despliegue existente. Si no tiene un espacio de despliegue:
Pulse Crear un nuevo espacio de despliegue.
Escribe el nombre:
Seleccione un servicio de almacenamiento.
Pulse Añadir servicio de aprendizaje automático.
Pulse Crear.
Cierre la notificación cuando el espacio esté listo.
Seleccione el nuevo espacio de despliegue en la lista.
Haga clic en Promover.
Haga clic en Cerrar para volver a la pestaña Activos del proyecto.
Comprueba tu progreso
La imagen siguiente muestra la página Promocionar al espacio .
Tarea 4b: Promocionar el modelo a un espacio de despliegue
Para previsualizar esta tarea, vea el vídeo a partir del minuto 06:11.
Para poder desplegar el modelo, debe promocionarlo a un espacio de despliegue. Siga estos pasos para promocionar el modelo a un espacio de despliegue:
Haga clic en el menú Desbordamiento
para el activo de datos Modelo de predicción de marketing bancario y seleccione Promover al espacio.Seleccione el mismo espacio de despliegue de la lista.
Haga clic en Promover.
Seleccione la opción Ir al modelo en el espacio después de promocionarlo .
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.
Comprueba tu progreso
La imagen siguiente muestra el modelo en el espacio de despliegue.
Tarea 4c: Crear y probar un despliegue de modelo
Para previsualizar esta tarea, vea el vídeo a partir del minuto 06:21.
Ahora que el modelo está en el espacio de despliegue, siga estos pasos para crear el despliegue del modelo:
Con el modelo abierto, pulse Nuevo despliegue.
Seleccione En línea como Tipo de despliegue.
Escriba el nombre del despliegue:
Pulse Crear.
Cuando se haya completado el despliegue, pulse el nombre del despliegue para ver la página de detalles del despliegue.
En la pestaña de referencia API, revise el punto final de puntuación, que puede utilizar para acceder a este modelo mediante programación en sus aplicaciones.
Pruebe el modelo.
Pulse el separador Probar. Puede probar el modelo desplegado desde la página de detalles del despliegue de dos formas: probar con un formulario o probar con código JSON. En este caso, se selecciona el archivo CSV que se ha promocionado desde el proyecto de ejemplo al espacio de despliegue.
Para localizar los datos de prueba, haga clic en Buscar en espacio.
Seleccione Activo de datos > bank-marketing-test-data.csv.
Pulse Confirmar.
Haga clic en Predecir y revise las predicciones para los 60 registros de los datos de prueba. El modelo devuelve un sí para cada cliente para el que el modelo predice que el cliente del banco suscribirá un depósito a plazo.
Comprueba tu progreso
La imagen siguiente muestra los resultados de la prueba del modelo desplegado.
Tarea 5: Reunir los programas de marketing de la competencia
Para previsualizar esta tarea, vea el vídeo a partir del minuto 07:01.
Aunque Prompt Lab puede trabajar con texto estructurado y no estructurado, es esencial asegurarse de introducir los datos correctos que el modelo pueda procesar. Puede hacerlo en un cuaderno Jupyter con código Python.
Dado que los modelos de la base tienen un límite en el número de tokens que pueden procesar en una sola consulta (conocido como ventana de contexto), es posible que tenga que trocear o resumir los datos para que quepan dentro de este límite. Este paso garantiza que los datos de entrada estén en un formato que el modelo de la fundación pueda procesar eficazmente sin perder información esencial.
Siga estos pasos para ejecutar el cuaderno:
- En el menú de navegación
, seleccione Proyectos > Ver todos los proyectos. - Abra el proyecto Introducción a watsonx.ai.
- Pulse la pestaña Activos.
- Haga clic en el menú Desbordamiento para el cuaderno Extraer y trocear texto de programas de la competencia y elija Editar.
- Complete la sección Configuración .
- Haga clic en el icono Ejecutar
de la primera celda para importar las bibliotecas. - Obtenga las claves de API necesarias:
- Siga el enlace para crear una cuenta y una clave API en TheNewsAPI.
- Pegue la clave de API en la variable
thenewsapi_key - Siga el enlace para crear una cuenta y una clave de API en ArticlExtractor.
- Pegue la clave de API en la variable
extract_key
- Ejecute la célula para establecer las dos variables de clave de API.
- Haga clic en el icono Ejecutar
- Ejecute las celdas en la sección Definir la función para obtener URL de artículos de noticias .
- La primera celda de esta sección define una función para obtener datos de TheNewsAPI's Top Stories y configurar parámetros para asegurarse de que puede obtener noticias relevantes.
- La segunda celda de esta sección define una función para obtener una lista de URLs basada en la respuesta.
- Ejecute las celdas en la sección Definir la función para extraer texto de noticias .
- La primera celda define una función para extraer el texto de una noticia concreta de URL utilizando la API ArticlExtractor.
- La segunda celda define una función para combinar texto de noticias de todas las URL de artículos obtenidas de TheNewsAPI.
- Ejecute la celda en la sección Definir la función para fragmentar texto de noticias .
- La primera celda de esta sección define una función que utiliza LangChain para dividir el texto de caracteres teniendo en cuenta el contexto del texto de la noticia. Para asegurarte de que el modelo de base puede asumir la información del texto, debes asegurarte de que el token no exceda las limitaciones de la ventana de token de contexto.
- La segunda casilla de esta sección muestra la respuesta. Puede ver que la salida final de 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.
Comprueba tu progreso
La imagen siguiente muestra el cuaderno completado. Ahora tiene el texto fragmentado para usarlo como indicador del modelo de base.
Tarea 6: Indicar al modelo de base
Ahora que tiene el artículo de noticias correspondiente debidamente fragmentado, puede construir sus propias plantillas de avisos en Prompt Lab, o puede utilizar las plantillas de avisos de muestra del 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 activar el modelo de base en el navegador ( Prompt Lab ):
Tarea 6a: Tarea de síntesis
Para previsualizar esta tarea, vea el vídeo a partir del minuto 09:32.
En primer lugar, pruebe la plantilla de resumen.
Vuelva a la pestaña Activos del proyecto.
Haga clic en la plantilla de resumen de promociones bancarias. Se abre la plantilla de consulta en Prompt Lab.
Pulse Editar para abrir la plantilla de solicitud en modalidad de edición.
Para la tarea de resumen, se utiliza el texto troceado de un artículo de noticias como ejemplo de entrada, y las notas que el profesional de marketing suele escribir manualmente para explicar las ofertas promocionales como ejemplo de salida. El objetivo es garantizar que el resultado sea similar a lo que escribiría el equipo de marketing.
Observe que el modelo de base utilizado para este aviso es XX.
Pulse Generar para ver los resultados de resumen.
Experimente con diferentes texto de entrada y salida del artículo de noticias fragmentado en el cuaderno.
Tarea 6b: Tarea de respuesta a preguntas
Para previsualizar esta tarea, vea el vídeo a partir del minuto 10:15.
A continuación, pruebe la plantilla de preguntas y respuestas.
Haga clic en Avisos guardados
para ver los avisos guardados de su proyecto.Haga clic en la plantilla del banco de preguntas y respuestas Promociones de la lista de preguntas guardadas.
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.
Observe que el modelo de base utilizado para esta indicación es flan-t5-xxl-11b.
Pulse Generar para ver los resultados de resumen.
Experimente con texto de entrada y salida diferente.
Tarea 6c: Ajustar los parámetros del modelo
Para previsualizar esta tarea, vea el vídeo a partir del minuto 10:37.
En Prompt Lab, puede ajustar la configuración de descodificación 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, garantizando que el modelo funcione con los parámetros más adecuados a los requisitos y limitaciones de la tarea.
En Prompt Lab, puede establecer limitaciones de tokens para asegurarse de que las tareas permanecen dentro del ámbito operativo del modelo. Esta configuración ayuda a equilibrar la exhaustividad de la respuesta con las limitaciones técnicas del modelo, lo que se traduce en un procesamiento eficiente y eficaz de las tareas.
Tarea 6d: Chat con documentos
Para previsualizar esta tarea, vea el vídeo a partir del minuto 10:45.
También puede utilizar el modo de chat para preguntar a una modelo de base utilizando un documento PDF de muestra que proporciona datos. Al añadir uno o más documentos, se crea un índice vectorial en memoria que el modelo de la base utilizará para responder a la pregunta.
- Haga clic en Nuevo aviso.
- Haz clic en Chat.
- Opcional: Seleccione un modelo, por ejemplo, llama-3-1-8b-instruct.
- Haga clic en el icono Cargar documentos
y seleccione Añadir documentos. - Haga clic en Seleccionar del proyecto.
- Seleccionar banco CD Rates.pdf.
- Pulse Seleccionar.
- De nuevo en la página Ground gen AI with vectorized documents, verifique el nombre y haga clic en Create.
- En el campo Escriba algo, escriba
, y haga clic en el icono Enviar
para ver la respuesta.
Comprueba tu progreso
La siguiente imagen muestra la página Prompt Lab.
Próximos pasos
Experimentar con cuadernos de solicitud
Desde Prompt Lab, puede guardar su trabajo en formato de cuaderno:
- Cargar una plantilla de solicitud guardada.
- Pulse Guardar trabajo > Guardar como.
- Seleccione Cuaderno estándar. Ten en cuenta que también puedes guardar tu trabajo como un cuaderno de despliegue que puedes desplegar como un servicio AI.
- Escriba un nombre.
- Pulse Guardary, a continuación, explore el cuaderno de solicitud.
- Repita estos pasos para la otra plantilla de solicitud.
Ajustar un modelo de base
Es posible que desee ajustar el modelo de cimientos para mejorar el rendimiento del modelo en comparación con la ingeniería rápida sola o reducir los costes mediante el despliegue de un modelo más pequeño que funcione de manera similar a un modelo más grande. Vea el tutorial de Tune a Foundation Model.
Comparar el rendimiento puntual
Puede utilizar Evaluation Studio para comparar varias solicitudes. Con Evaluation Studio, puede evaluar y comparar sus activos de IA generativa con métricas cuantitativas y criterios personalizables que se adapten a sus casos de uso. Evalúe el rendimiento de varios activos simultáneamente y vea análisis comparativos de los resultados para identificar las mejores soluciones. Consulte el tutorial sobre el rendimiento de la solicitud de comparación.
Automatizar el ciclo de vida de un modelo con Pipelines
Puede crear una canalización de extremo a extremo para entregar datos concisos, preprocesados y actualizados almacenados en una fuente de datos externa. El editor Orchestration Pipelines proporciona una interfaz gráfica para orquestar un flujo integral de activos, desde su creación hasta su despliegue. Ensamble y configure una interconexión para crear, entrenar, desplegar y actualizar modelos de aprendizaje automático y scripts Python. Consulte el tutorial Automatizar el ciclo de vida de un modelo con pipelines.
Recursos adicionales
Pruebe estas guías de aprendizaje adicionales para obtener más experiencia práctica con watsonx.ai:
Vea más vídeos.
En el Centro de recursos encontrará ejemplos de conjuntos de datos, proyectos, modelos, instrucciones y cuadernos para adquirir experiencia práctica:
Cuadernos que puedes añadir a tu proyecto para empezar a analizar datos y construir modelos.
Proyectos que puede importar y que contienen cuadernos, conjuntos de datos, avisos y otros recursos.
Conjuntos de datos que puede añadir a su proyecto para perfeccionar, analizar y construir modelos.
Mensajes que puede utilizar en el Prompt Lab para solicitar un modelo de base.
Modelos de cimientos que puede utilizar en Prompt Lab.
Tema principal: Guías de aprendizaje de inicio rápido
¿Fue útil el tema?
0/1000