Docs
...
Try the watsonx.ai end-to-end use case

Démarrage rapide: Essayez le scénario d'utilisation de bout en bout watsonx.ai

Dernière mise à jour : 25 mars 2025
Démarrage rapide: Essayez le scénario d'utilisation de bout en bout watsonx.ai

Ce tutoriel se concentre sur un exemple de cas d'utilisation dans le secteur financier. La Golden Bank doit mettre en place un processus d'analyse des promotions marketing afin de stimuler les ventes de ses produits d'investissement.

Services requis
watsonx.ai y compris watsonx.ai Runtime et watsonx.ai Studio

Scénario : Processus de promotion marketing d'une banque

Pour atteindre cet objectif, le processus standard peut être le suivant:

  1. L'ingénieur de données visualise et prépare les données de marketing bancaire afin de vérifier le format correct pour entraîner le modèle.
  2. L'ingénieur ML buildS a mis au point un modèle d'apprentissage automatique pour prédire l'efficacité de leurs promotions.
  3. L'ingénieur ML déploie et teste le modèle.
  4. Le data scientist écrit le code Python pour trouver des promotions similaires pour les concurrents de la banque.
  5. L'ingénieur rapide :
    • Construit des modèles de messages pour effectuer des tâches de résumé et de réponse à des questions.
    • Compare la performance de plusieurs messages-guides pour déterminer si un recyclage est nécessaire.
    • Ajuste le modèle de base avec des données de réapprentissage pour obtenir les meilleures performances et la meilleure rentabilité.
    • Crée un pipeline pour simplifier le processus de reconversion.

Flux de travaux de tâche de base à l'aide de watsonx.ai

Watsonx.ai peut vous aider à accomplir chaque phase de ce processus. Votre flux de travaux de base inclut les tâches suivantes :

  1. Ouvrez un projet. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
  2. Ajoutez vos données au projet. Vous pouvez ajouter des fichiers CSV ou des données à partir d'une source de données distante via une connexion.
  3. Préparer les données d'apprentissage dans Data Refinery.
  4. Former un modèle avec les données d'apprentissage. Vous pouvez utiliser divers outils, tels que AutoAI, SPSS Modeler, ou les carnets Jupyter pour entraîner le modèle.
  5. Déployer et tester votre modèle dans un projet ou un espace de déploiement.
  6. Rassembler et analyser les données liées au modèle dans un carnet Jupyter.
  7. Ouvrir un modèle de fondation dans l' Prompt Lab.
  8. Comparez les performances des messages dans Evaluation Studio.
  9. Ajustez le modèle de fondation dans Tuning Studio.
  10. Automatisez le cycle de vie d'un modèle avec les Pipelines.

Lisez à propos de watsonx.ai

Pour transformer vos processus métier avec des solutions basées sur l'intelligence artificielle, votre entreprise doit intégrer à la fois l'apprentissage automatique et l'intelligence artificielle générative dans votre infrastructure opérationnelle. Watsonx.ai fournit les processus et les technologies permettant à votre entreprise de développer et de déployer des modèles d'apprentissage automatique et des solutions d'IA génératives.

En savoir plus sur watsonx.ai

En savoir plus sur les cas d'utilisation watsonx.ai

Regardez une vidéo sur watsonx.ai

Regarder la vidéo Regardez cette vidéo pour prévisualiser les étapes de ce tutoriel. Il peut y avoir de légères différences dans l'interface utilisateur présentée dans la vidéo. La vidéo est destinée à être un compagnon du tutoriel écrit.

Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.


Essayez un tutoriel sur watsonx.ai

Dans ce tutoriel, vous exécutez les tâches suivantes :




Conseils pour l'exécution de ce tutoriel
Voici quelques conseils pour réussir ce tutoriel.

Utiliser la vidéo image-in-picture

Astuce: Démarrez la vidéo, puis au fur et à mesure que vous faites défiler le tutoriel, la vidéo passe en mode image-en-image. Fermez la table des matières vidéo pour la meilleure expérience avec l'image en image. Vous pouvez utiliser le mode image-dans-image pour pouvoir suivre la vidéo à mesure que vous effectuez les tâches de ce tutoriel. Cliquez sur les horodatages de chaque tâche à suivre.

L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:

Comment utiliser l'image en image et les chapitres

Obtenir de l'aide dans la communauté

Si vous avez besoin d'aide pour ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la communauté watsonx.

Configurez les fenêtres de votre navigateur

Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.

Tutoriel et interface utilisateur côte à côte

Astuce: Si vous rencontrez une visite guidée lors de l'exécution de ce tutoriel dans l'interface utilisateur, cliquez sur Peut-être plus tard.

Tâche 1: Créer l'exemple de projet

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 00:51.

Ce didacticiel utilise un projet type qui contient l'ensemble de données, le bloc-notes et les modèles d'invite permettant d'effectuer l'analyse. Pour créer un projet à partir d'un exemple, procédez comme suit:

  1. Dans l'écran d'accueil, cliquez sur l'icône Créer un nouveau projet Créer un projet.

  2. Sélectionner l' échantillon.

  3. Recherchez , sélectionnez cet exemple de projet et cliquez sur Next.

  4. Choisissez une instance de service object storage existante ou crée en une nouvelle.

  5. Cliquez sur Créer.

  6. Attendez que l'importation du projet soit terminée, puis cliquez sur Afficher le nouveau projet.

  7. Associer un service watsonx.ai Runtime au projet. Pour plus d'informations, voir Ajout de services associés à un projet.

    1. Lorsque le projet s'ouvre, cliquez sur l'onglet Gérer et sélectionnez la page Services et intégrations .

    2. Dans l'onglet IBM services, cliquez sur Associer un service.

    3. Sélectionnez votre instance watsonx.ai Runtime. Si vous n'avez pas encore d'instance de service watsonx.ai Runtime provisionnée, suivez ces étapes :

      1. Cliquez sur Nouveau service.

      2. Sélectionnez watsonx.ai Runtime.

      3. Cliquez sur Créer.

      4. Sélectionnez la nouvelle instance de service dans la liste.

    4. Cliquez sur Associer un service.

    5. Si nécessaire, cliquez sur Annuler pour revenir à la page Services & Intégrations .

  8. Cliquez sur l'onglet Actifs dans le projet pour afficher les exemples d'actifs.

Pour plus d'informations ou pour regarder une vidéo, voir Création d'un projet.

Pour plus d'informations sur les services associés, voir Ajout de services associés.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre l'onglet Actifs du projet. Vous êtes maintenant prêt à visualiser les données d'entraînement.

Texte de remplacement

Tâche 2 : Visualiser et préparer les données

Les données représentent des campagnes de marketing direct (appels téléphoniques) d'une institution bancaire portugaise. L'objectif de la classification est de prédire si le client souscrira (oui/non) à un dépôt à terme (colonne current_outcome). Cet ensemble de données est basé sur un ensemble de données provenant de l'UCI Machine Learning Repository.

Tâche 2a: Visualiser les données

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 01:24.

Tout d'abord, vous visualisez les données pour voir s'il y a des anomalies évidentes. Suivez les étapes suivantes pour visualiser les données :

  1. Ouvrez l'ensemble bank-marketing-data.csv l'ensemble des données. Les colonnes contiennent des informations sur les clients potentiels.
  2. Cliquez sur l'icône View asset info Afficher les informations sur les actifs pour fermer le volet About this asset.
  3. Cliquez sur l'onglet Visualisation .
    1. Sélectionnez la colonne current_outcome comme Columns to visualize (Colonnes à visualiser). Cette colonne indique si la personne contactée a accepté l'offre actuelle ; cette colonne est la colonne cible lorsque vous construisez le modèle.
    2. Cliquez sur Ajouter une autre colonne, puis sélectionnez la colonne previous_outcome. Cette colonne indique si la personne contactée a accepté l'offre précédente. Notez que les types de graphiques avec un point bleu sont les graphiques suggérés.
    3. Sélectionnez le type de diagramme en arbre. Ce graphique montre une comparaison entre les personnes qui ont accepté une offre précédente et celles qui ont accepté l'offre actuelle.
    4. Survolez le nœud racine pour voir le nombre total d'enregistrements dans l'ensemble de données.
    5. De même, survolez les nœuds "non " et " oui" pour voir ces totaux.
    6. Survolez le nœud non étiqueté pour voir le nombre total d'enregistrements dans l'ensemble de données où le champ current_outcome est nul.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre une visualisation du fichier bank-marketing-data.csv. Vous êtes maintenant prêt à préparer les données d'entraînement.

Visualisation des données de formation

Tâche 2b: Préparer les données

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 02:40.

Le résultat actuel étant la colonne cible, vous devez préparer l'ensemble de données afin de supprimer les lignes contenant des valeurs nulles. Suivez les étapes suivantes pour préparer l'ensemble de données :

  1. Cliquez sur Préparer les données pour ouvrir Data Refinery.
  2. Fermez le volet À propos de cette ressource.
  3. Sélectionnez la colonne current_outcome.
  4. Cliquez sur Nouvelle étape > Supprimer les lignes vides.
  5. Cliquez sur Appliquer.
  6. Cliquez sur l'onglet Profil pour vérifier l'action.
  7. Faites défiler jusqu'à la colonne " current_outcome" pour constater que toutes les valeurs sont soit "yes", soit "no".

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre la colonne current_outcome dans l'onglet Profil. Vous êtes maintenant prêt à générer le modèle à l'aide de ces données d'entraînement.

La colonne current_outcome de l'onglet Profil

Tâche 2c: Enregistrer les données affinées

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 03:08.

Pour enregistrer les données affinées, vous devez spécifier le nom de fichier de l'ensemble de données cible, puis créer et exécuter une tâche. Procédez comme suit pour enregistrer les données affinées :

  1. Spécifiez le nom du fichier :

    1. Cliquez sur l'icône Paramètres Paramètres.
    2. Cliquez sur la page Ensemble de données cibles.
    3. Cliquez sur Modifier les propriétés.
    4. Modifiez le nom de l'actif de données* en .
    5. Cliquez sur Sauvegarder.
    6. Cliquez sur Appliquer.

  2. Créer et exécuter le travail :

    1. Dans la barre d'outils, cliquez sur l'icône Jobs, puis sélectionnez Enregistrer et créer un job.
      Sauvegarder et créer un travail

    2. Tapez le nom suivant, , et cliquez sur Next.

    3. Sur la page Configurer, sélectionnez un environnement d'exécution et cliquez sur Suivant.

    4. Sur la page Schedule, acceptez les valeurs par défaut et cliquez sur Next.

    5. Sur la page Notifier, maintenez les notifications désactivées pour ce travail, puis cliquez sur Suivant.

    6. Passez en revue les détails et cliquez sur Créer et exécuter pour exécuter le travail immédiatement.

  3. Lorsque le travail est créé, cliquez sur le lien Détails du travail dans la notification pour afficher le travail dans votre projet. Vous pouvez également accéder à l'onglet Travaux du projet et cliquer sur le nom du travail pour l'ouvrir.

  4. Lorsque le statut du travail est Terminé, utilisez la piste de navigation du projet pour revenir à l'onglet Actifs du projet.

  5. Cliquez sur la section Données > Actifs de données pour voir la sortie du flux Data Refinery, et ouvrez la section bank-marketing-data-prepared.csv pour vérifier les valeurs.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre le fichier bank-marketing-data-prepared.csv. Vous êtes maintenant prêt à générer le modèle à l'aide de ces données d'entraînement.

Aperçu du fichier bank-marketing-data-prepared.csv


Tâche 3: Entraîner le modèle

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 03:58.

Vous pouvez utiliser divers outils, tels que AutoAI, SPSS Modeler, ou les carnets Jupyter pour entraîner le modèle. Dans ce tutoriel, vous formerez un modèle de classification binaire prédictive avec AutoAI. Pour créer l'expérimentation AutoAI , procédez comme suit:

  1. Retournez à l'onglet Actifs du projet, puis cliquez sur Nouvel actif > Construire des modèles d'apprentissage automatique ou des modèles de génération augmentés par récupération automatiquement.

  2. Sur la page Construire automatiquement des modèles d'apprentissage automatique ou des modèles de génération augmentée par récupération, saisissez le nom :

  3. Cliquez sur Créer.

  4. Sélectionnez Construire des modèles d'apprentissage automatique comme tâche pour cette expérience.

  5. Sur la page Ajouter une source de données , ajoutez les données d'entraînement:

    1. Cliquez sur Sélectionner dans le projet.

    2. Sélectionnez Data asset > bank-marketing-data-prepared.csv, puis cliquez sur Select asset.

  6. Pour Créer une analyse de séries temporelles ? sélectionnez Non.

  7. Sélectionnez le résultat actuel dans la colonne Prédiction.

  8. Cliquez sur Exécuter l'expérimentation. Pendant que le modèle s'entraîne, vous voyez une infographie qui montre le processus de construction des pipelines.
    Générer des pipelines de modèle

    Pour obtenir la liste des algorithmes ou des estimateurs disponibles pour chaque technique d'apprentissage automatique dans AutoAI,, voir : AutoAI implementation details.

  9. Une fois l'expérience terminée, affichez les pipelines classés dans un tableau de classement.

    Classement de pipeline

  10. Cliquez sur la comparaison Pipeline pour voir les différences.

    Graphique des indicateurs de comparaison de pipeline

  11. Dans le classement des pipelines, cliquez sur le pipeline le mieux classé pour en voir les détails.

  12. Examinez la page d' évaluation du modèle pour voir les performances du modèle dans le graphique de la courbe ROC et le tableau des mesures de l'évaluation du modèle.

  13. Enregistrez le modèle.

    1. Cliquez sur Enregistrer sous.

    2. Sélectionnez Modèle.

    3. Pour le nom du modèle, tapez :

    4. Cliquez sur Créer. Le pipeline est alors sauvegardé en tant que modèle dans votre projet.

  14. Lorsque le modèle est sauvegardé, cliquez sur le lien Vue dans le projet dans la notification pour afficher le modèle dans votre projet. Vous pouvez également accéder à l'onglet Actifs du projet et cliquer sur le nom du modèle dans la section Modèles .

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le modèle.

L'image suivante montre le modèle.

Tâche 4: Déployer le modèle

La tâche suivante consiste à promouvoir le modèle dans un espace de déploiement, puis à créer un déploiement en ligne.

Tâche 4a: Promouvoir les données de test vers un espace de déploiement

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 05:34.

L'exemple de projet inclut des données de test. Vous promouvez ces données de test dans un espace de déploiement afin de pouvoir utiliser les données de test pour tester le modèle déployé. Procédez comme suit pour promouvoir les données de test dans un espace de déploiement:

  1. Revenez à l'onglet Actifs du projet.

  2. Cliquez sur le menu Débordement Menu déroulant dynamique pour le bank-marketing-test-data.csv et sélectionnez Promouvoir dans l'espace.

  3. Choisissez un espace de déploiement existant. Si vous ne disposez pas d'un espace de déploiement:

    1. Cliquez sur Créer un nouvel espace de déploiement.

    2. Pour le nom, tapez :

    3. Sélectionnez un service de stockage.

    4. Sélectionnez un service d'apprentissage automatique.

    5. Cliquez sur Créer.

    6. Fermez la notification lorsque l'espace est prêt.

  4. Sélectionnez votre nouvel espace de déploiement dans la liste.

  5. Cliquez sur Promouvoir.

  6. Cliquez sur Fermer pour revenir à l'onglet Actifs du projet.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre la page Promouvoir dans l'espace .

L'image suivante montre la page Promouvoir dans l'espace.

Tâche 4b: Promouvoir le modèle dans un espace de déploiement

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 06:11.

Avant de pouvoir déployer le modèle, vous devez le promouvoir dans un espace de déploiement. Procédez comme suit pour promouvoir le modèle dans un espace de déploiement:

  1. Cliquez sur le menu Débordement Menu déroulant dynamique pour le bien de données Modèle de prédiction marketing de la banque, puis sélectionnez Promouvoir dans l'espace.

  2. Sélectionnez le même espace de déploiement dans la liste.

  3. Cliquez sur Promouvoir.

  4. Sélectionnez l'option Aller au modèle dans l'espace après l'avoir promu .

  5. Cliquez sur Promouvoir.

Remarque: Si vous n'avez pas sélectionné l'option permettant d'accéder au modèle dans l'espace après l'avoir promu, vous pouvez utiliser le menu de navigation pour accéder à Déploiements afin de sélectionner votre espace de déploiement et votre modèle.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre le modèle dans l'espace de déploiement.

L'image suivante montre le modèle dans l'espace de déploiement.

Tâche 4c: Créer et tester un déploiement de modèle

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 06:21.

Maintenant que le modèle se trouve dans l'espace de déploiement, procédez comme suit pour créer le déploiement de modèle:

  1. Une fois le modèle ouvert, cliquez sur Nouveau déploiement.

    1. Sélectionnez En ligne comme Type de déploiement.

    2. Pour le nom du déploiement, tapez

    3. Cliquez sur Créer.

  2. Une fois le déploiement terminé, cliquez sur le nom du déploiement pour afficher la page des détails de déploiement.

  3. Dans l'onglet Référence API, passez en revue le point de terminaison de notation, que vous pouvez utiliser pour accéder à ce modèle de manière programmatique dans vos applications.

  4. Tester le modèle.

    1. Cliquez sur l'onglet Tester. Vous pouvez tester le modèle déployé à partir de la page des détails du déploiement des deux manières suivantes : test avec un formulaire ou test avec du code JSON. Dans ce cas, vous sélectionnez le fichier CSV que vous avez promu du projet d'exemple vers l'espace de déploiement.

    2. Pour localiser les données de test, cliquez sur Rechercher dans l'espace.

    3. Sélectionnez Actif de données > bank-marketing-test-data.csv.

    4. Cliquez sur Confirmer.

    5. Cliquez sur Prédire et examinez les prédictions pour les 60 enregistrements des données de test. Le modèle renvoie un oui pour chaque client pour lequel le modèle prédit que le client de la banque souscrira à un dépôt à terme.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre les résultats de test du modèle déployé.

L'image suivante montre les résultats de test du modèle déployé.

Tâche 5 : Recueillir les programmes de marketing des concurrents

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 07:01.

Bien que le site Prompt Lab puisse travailler avec du texte structuré et non structuré, il est essentiel de s'assurer que vous saisissez les bonnes données que le modèle peut traiter. Vous pouvez le faire dans un carnet Jupyter avec le code Python.

Comme les modèles de base ont une limite quant au nombre de jetons qu'ils peuvent traiter dans une seule invite (connue sous le nom de fenêtre contextuelle), il se peut que vous deviez diviser ou résumer les données pour respecter cette limite. Cette étape garantit que les données d'entrée sont dans un format que le modèle de base peut traiter efficacement sans perdre d'informations essentielles.

Procédez comme suit pour exécuter le bloc-notes:

  1. Dans le menu de navigation Menu de navigation, choisissez Projets > Afficher tous les projets.
  2. Ouvrez le projet Getting started with watsonx.ai.
  3. Cliquez sur l'onglet Actifs.
  4. Cliquez sur le menu Débordement Menu déroulant dynamique pour le bloc-notes Extraire et découper le texte des programmes concurrents, puis choisissez Éditer.
  5. Renseignez la section Configuration .
    1. Cliquez sur l'icône Exécuter Exécuter pour la première cellule afin d'importer les bibliothèques.
    2. Obtenez les clés d'API nécessaires:
      1. Suivez le lien pour créer un compte et une clé API sur TheNewsAPI.
      2. Collez la clé d'API dans la variable thenewsapi_key .
      3. Suivez le lien pour créer un compte et une clé d'API à l'adresse ArticlExtractor.
      4. Collez la clé d'API dans la variable extract_key .
    3. Exécutez la cellule pour définir les deux variables de clé d'API.
  6. Exécutez les cellules de la section Définir la fonction pour obtenir les URL des articles de nouvelles .
    • La première cellule de cette section définit une fonction permettant d'obtenir des données à partir de TheNewsAPI's Top Stories et définit des paramètres pour s'assurer que vous pouvez obtenir des informations pertinentes.
    • La deuxième cellule de cette section définit une fonction permettant d'obtenir une liste d'URL sur la base de la réponse.
  7. Exécutez les cellules de la section Définir la fonction pour extraire le texte des nouvelles .
    • La première cellule définit une fonction permettant d'extraire le texte d'une nouvelle à partir d'un site spécifique URL à l'aide de l'API ArticlExtractor.
    • La deuxième cellule définit une fonction permettant de combiner le texte d'actualité de toutes les URL d'articles obtenues à partir de TheNewsAPI.
  8. Exécutez la cellule dans la section Définir la fonction pour fractionner le texte d'informations .
    • La première cellule de cette section définit une fonction qui utilise LangChain pour diviser le texte en caractères en tenant compte du contexte du texte d'information. Pour que le modèle de base puisse prendre en compte les informations du texte, vous devez vous assurer que le jeton ne dépasse pas les limites de la fenêtre de jeton de contexte.
    • La deuxième cellule de cette section montre la réponse. Vous pouvez voir que la sortie finale des données est prête à être introduite dans le site Prompt Lab. LangChain’s Le séparateur de texte divise le texte long en morceaux ou phrases sémantiquement significatifs, et les combine à nouveau en un texte entier à traiter. Vous pouvez ajuster la taille maximale des blocs.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre le bloc-notes terminé. Vous disposez maintenant du texte segmenté à utiliser pour appeler le modèle de fondation.

Le bloc-notes terminé

Tâche 6 : Prompt le modèle de fondation

Maintenant que vous disposez de l'article de presse approprié, vous pouvez construire vos propres modèles d'invites dans le site Prompt Lab ou utiliser les modèles d'invites du projet modèle. L'exemple de projet inclut des exemples de modèles d'invite pour les tâches de récapitulation et de réponse aux questions. Suivez ces étapes pour afficher le modèle de fondation dans l' Prompt Lab :

Tâche 6a: Tâche de résumé

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 09:32.

Tout d'abord, essayez le modèle d'invite à la synthèse.

  1. Revenez à l'onglet Actifs du projet.

  2. Cliquez sur le modèle d'invite Résumer les promotions bancaires. Cette opération permet d'ouvrir le modèle d'invite dans le site Prompt Lab.

  3. Cliquez sur Editer pour ouvrir le modèle d'invite en mode édition.

    Pour la tâche de résumé, vous utilisez le texte de l'article de presse découpé en morceaux comme exemple d'entrée, et les notes que le professionnel du marketing rédige habituellement manuellement pour expliquer les offres promotionnelles comme exemple de sortie. Il s'agit de s'assurer que le résultat est similaire à ce que l'équipe de marketing pourrait écrire elle-même.

  4. Notez que le modèle de fondation utilisé pour cette invite est XX.

  5. Cliquez sur Générer pour afficher les résultats récapitulatifs.

  6. Testez différents textes d'entrée et de sortie à partir de l'article de nouvelles tronqué dans le bloc-notes.

Tâche 6b: Tâche de réponse à une question

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 10:15.

Ensuite, essayez le modèle de question-réponse.

  1. Cliquez sur les invites sauvegardées Invites sauvegardées pour voir les invites sauvegardées de votre projet.

  2. Cliquez sur le modèle d'invite Banque de questions-réponses Promotions dans la liste des invites enregistrées.

  3. Cliquez sur Editer pour ouvrir le modèle d'invite en mode édition.

    Pour la tâche de réponse aux questions, vous utilisez les questions comme exemple d'entrée et les réponses dans le niveau de détail requis et le format préféré comme exemple de sortie.

  4. Notez que le modèle de base utilisé pour cette invite est flan-t5-xxl-11b.

  5. Cliquez sur Générer pour afficher les résultats récapitulatifs.

  6. Testez différents textes d'entrée et de sortie.

Tâche 6c: Ajuster les paramètres du modèle

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 10:37.

Sur le site Prompt Lab, vous pouvez ajuster les paramètres de décodage afin d'optimiser le rendement du modèle pour une tâche spécifique :

  • Décodage
    • Gourmand: toujours sélectionner les mots avec la probabilité la plus élevée
    • Echantillonnage: personnalisation de la variabilité de la sélection de mots
  • Pénalité de répétition: combien de répétitions sont autorisées
  • Critères d'arrêt: une ou plusieurs chaînes qui provoqueront l'arrêt de la génération de texte si elle est produite

Cette flexibilité permet un haut degré de personnalisation, garantissant que le modèle fonctionne avec les paramètres les mieux adaptés aux exigences et aux contraintes de la tâche.

Sur le site Prompt Lab, vous pouvez définir des limites de jetons pour vous assurer que les tâches restent dans le champ d'application opérationnel du modèle. Ce paramètre permet d'équilibrer l'exhaustivité de la réponse avec les limites techniques du modèle, ce qui permet un traitement efficace des tâches.

Tâche 6d: Chat avec documents

vidéo du tutoriel d'aperçu Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 10:45.

Vous pouvez également utiliser le mode Chat pour demander à un modèle de base d'utiliser un exemple de document PDF qui fournit des faits. L'ajout d'un ou plusieurs documents crée un index vectoriel en mémoire que le modèle de base utilisera pour répondre à la question.

  1. Cliquez sur Nouvelle invite.
  2. Cliquez sur Chat.
  3. En option : Sélectionnez un modèle, par exemple, llama-3-1-8b-instruct.
  4. Cliquez sur l'icône Télécharger des documents Télécharger des documents, puis sélectionnez Ajouter des documents.
  5. Cliquez sur Sélectionner dans le projet.
    1. Sélectionner la banque CD Rates.pdf.
    2. Cliquez sur Sélectionner.
  6. De retour sur la page Ground gen AI with vectorized documents, vérifiez le nom et cliquez sur Create.
  7. Dans le champ Tapez quelque chose, tapez , et cliquez sur l'icône Envoyer Envoyer pour voir la réponse.

Icône de point de contrôle Vérifiez vos progrès

L'image suivante montre le site Prompt Lab.

Les Prompt Lab

Etapes suivantes

Expérimentation avec des blocs-notes d'invite

À partir du site Prompt Lab, vous pouvez enregistrer votre travail sous forme de carnet de notes :

  1. Chargez un modèle d'invite sauvegardé.
  2. Cliquez sur Sauvegarder le travail > Sauvegarder sous.
  3. Sélectionnez Ordinateur portable standard. Notez que vous pouvez également enregistrer votre travail sous la forme d'un carnet de déploiement que vous pouvez déployer en tant que service d'IA.
  4. Tapez un nom.
  5. Cliquez sur Sauvegarder, puis explorez le bloc-notes d'invite.
  6. Répétez ces étapes pour l'autre modèle d'invite.

Accorder un modèle de fond de teint

Vous pouvez ajuster le modèle de base pour améliorer les performances du modèle par rapport à l'ingénierie rapide seule ou réduire les coûts en déployant un modèle plus petit qui offre des performances similaires à celles d'un modèle plus grand. Voir le tutoriel du modèle de la fondation Tune a.

Comparer les performances rapides

Vous pouvez utiliser Evaluation Studio pour comparer plusieurs invites. Avec Evaluation Studio, vous pouvez évaluer et comparer vos actifs d'IA générative à l'aide de mesures quantitatives et de critères personnalisables adaptés à vos cas d'utilisation. Évaluez les performances de plusieurs actifs simultanément et consultez les analyses comparatives des résultats pour identifier les meilleures solutions. Voir le tutoriel sur les performances de l'invite de comparaison.

Automatiser le cycle de vie d'un modèle avec Pipelines

Vous pouvez créer un pipeline de bout en bout pour fournir des données concises, prétraitées et actualisées stockées dans une source de données externe. L'éditeur Orchestration Pipelines fournit une interface graphique permettant d'orchestrer un flux de ressources de bout en bout, de la création au déploiement. Assemblez et configurez un pipeline pour créer, former, déployer et mettre à jour des modèles d'apprentissage machine et des scripts Python. Voir le tutoriel Automatiser le cycle de vie d'un modèle avec des pipelines.

Ressources supplémentaires

Rubrique parent: Tutoriels de démarrage rapide