0 / 0
Retourner à la version anglaise de la documentation
Démarrage rapide: Essayez le scénario d'utilisation de bout en bout watsonx.ai

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. Golden Bank doit effectuer une analyse des anomalies de stock afin de stimuler la productivité et d'augmenter la précision du travail d'un analyste de stock dans la banque d'investissement.

Services requis
watsonx.ai
Watson Machine Learning

Scénario: Processus d'analyse des anomalies du stock

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

  1. Un banquier ou un gestionnaire d'investissement demande à l'analyste des actions de faire des recherches sur les actions d'une entreprise.
  2. L'analyste d'actions télécharge les données d'actions de la société.
  3. Ils effectuent une recherche manuelle dans les données de stock pour trouver des anomalies dans la façon dont le cours des actions a été appliqué.
  4. Ils expliquent les anomalies en recherchant manuellement sur le Web des articles de presse pertinents autour des dates spécifiques.
  5. L'analyste boursier résume le raisonnement qui sous-tend les anomalies à l'aide des articles de presse.
  6. Ils font des recherches de suivi sur des éléments d'information et des dates spécifiques.
  7. Ils envoient le rapport au banquier d'investissement pour qu'il procède à une analyse plus approfondie afin de prendre une décision en matière d'investissement.

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. Entraînez un modèle. Vous pouvez utiliser divers outils, tels que AutoAI, SPSS Modelerou des blocs-notes Jupyter pour entraîner le modèle.
  4. Déployez et testez votre modèle.
  5. Transformez les données.
  6. Invitez un modèle de base.
  7. Optimisez le modèle de base.

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 affichée 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 communautéwatsonx.

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 prévisualiser cette tâche, regardez la vidéo à partir de 00:58.

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

  1. Accédez au projet Analyse des anomalies du stock dans le concentrateur de ressources.

    1. Cliquez sur Créer un projet.

    2. Acceptez les valeurs par défaut pour le nom de projet et cliquez sur Créer.

    3. Cliquez sur Afficher le nouveau projet lorsque le projet a été créé.

  2. Associez un service Watson Machine Learning au projet:

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

    2. Dans l'onglet ServicesIBM , cliquez sur Associer.

    3. Sélectionnez votre instance Watson Machine Learning . Si vous ne disposez pas encore d'une instance de service Watson Machine Learning mise à disposition, procédez comme suit:

      1. Cliquez sur Nouveau service.

      2. Sélectionnez Watson Machine Learning.

      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 .

  3. 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 votre progression

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 les données

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 01:27.

Les trois ensembles de données de l'exemple de projet contiennent des données synthétiques générées à l'aide de données de stock public provenant de Yahoo ! Site Web Finance comme base. Les données d'apprentissage d'un modèle de prévision des anomalies de séries temporelles doivent être structurées et séquentielles. Dans ce cas, les données synthétiques sont structurées et séquentielles. Pour afficher les actifs de données dans l'exemple de projet, procédez comme suit:

  1. Ouvrez le fichier historical_data.csv . Cet ensemble de données contient les performances historiques des cours des actions de mai 2012 à mai 2016.
  2. Revenez à l'onglet Actifs du projet et ouvrez l'ensemble de données test_data.csv . Cet ensemble de données contient l'historique des performances du cours des actions dans Q1 2023.
  3. Revenez à l'onglet Actifs du projet et ouvrez l'ensemble de données training_data.csv . Cet ensemble de données contient l'historique des performances du cours des actions en 2023.
  4. Cliquez sur l'onglet Visualisation .
    1. Sélectionnez la colonne Date , puis cliquez sur Visualiser les données. Le premier type de graphique suggéré, un histogramme, s'affiche.
    2. Sélectionnez le type de graphique Courbes .
      1. Pour l' axe des X, sélectionnez la colonne Date .
      2. Pour l' axe des Y, sélectionnez la colonne Adj Close . Affiche le prix de clôture ajusté par date. La colonne cible de l'analyse des anomalies est le prix de clôture ajusté.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre une visualisation du fichier training_data.csv . Vous êtes maintenant prêt à générer le modèle à l'aide de ces données d'entraînement.

Visualisation du fichier training_data.csv




Tâche 3: Entraîner le modèle

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 02:13.

Vous pouvez utiliser divers outils, tels que AutoAI, SPSS Modelerou des blocs-notes Jupyter pour entraîner le modèle. Dans ce tutoriel, vous entraînez le modèle de prévision d'anomalie d'analyse de séries temporelles avec AutoAI. Pour créer l'expérimentation AutoAI , procédez comme suit:

  1. Revenez à l'onglet Actifs du projet, puis cliquez sur Nouvel actif > Générer automatiquement des modèles d'apprentissage automatique.

  2. Sur la page Générer des modèles d'apprentissage automatique automatiquement , entrez le nom:

    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. Cliquez sur Créer.

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

    1. Cliquez sur Sélectionner les données du projet.

    2. Sélectionnez Actif de données > training_data.csv, puis cliquez sur Sélectionner un actif.

  5. Définissez les paramètres d'analyse des séries temporelles:

    1. Sélectionnez Oui si vous êtes invité à créer une expérimentation de série temporelle.

    2. Sélectionnez Prévision d'anomalie.

  6. Sélectionnez Adj Close pour les colonnes de fonction.

  7. Cliquez sur Exécuter l'expérimentation. A mesure que le modèle s'entraîne, vous voyez une infographie qui montre le processus de génération des pipelines.
    Générer des pipelines de modèle

    Pour obtenir la liste des algorithmes ou des estimateurs disponibles avec chaque technique d'apprentissage automatique dans AutoAI, voir: Détails de l'implémentation AutoAI.

  8. Une fois l'exécution de l'expérimentation terminée, vous pouvez afficher et comparer les pipelines classés dans un tableau de classement.

    Classement de pipeline

  9. Vous pouvez cliquer sur Comparaison de pipelines pour voir leur différence.

    Graphique des indicateurs de comparaison de pipeline

  10. Cliquez sur le pipeline le mieux classé pour afficher les détails du pipeline.

  11. Consultez la page Evaluation du modèle pour voir les métriques d'évaluation détaillées sur les performances du modèle.

    L'outil AutoAI prend en compte un large éventail de critères pour détecter les anomalies. Dans le tableau, vous pouvez voir l'évaluation basée sur différents indicateurs, tels que Précision moyenne et Aire sous la courbe ROC, pour chacun des types d'anomalie.

    Types d'anomalie
    Type d'anomalie Descriptif
    Anomalie de tendance Segment de séries temporelles dont la tendance est modifiée par rapport à la série temporelle précédant le segment.
    Anomalie de variance Segment de séries temporelles dans lequel la variance d'une série temporelle est modifiée.
    Anomalie extrême localisée Point de données inhabituel dans une série temporelle, qui s'écarte de manière significative des points de données qui l'entourent.
    Anomalie de période de travail de niveau Segment dans lequel la valeur moyenne d'une série temporelle est modifiée.
  12. Enregistrez le modèle.

    1. Cliquez sur Enregistrer sous.

    2. Sélectionnez Modèle.

    3. Pour le nom de modèle, entrez:

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

  13. 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

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 03:40.

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

Tâche 4a: Promouvoir les données de test dans l'espace de déploiement

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 Dépassement Menu déroulant dynamique de l'actif de données test_data.csv et choisissez 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, entrez:

      Anomaly Prediction Space
      
    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.

Icône de point de contrôle Vérifiez votre progression

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

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. Dans l'onglet Actifs , cliquez sur le menu Dépassement Menu déroulant dynamique du modèle Modèle de prévision d'anomalie et choisissez Promouvoir dans l'espace.

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

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

  4. 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 votre progression

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

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 de déploiement, entrez:

      Anomaly Prediction Model Deployment
      
    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. Passez en revue le noeud final d'évaluation, que vous pouvez utiliser pour accéder à ce modèle à l'aide d'un programme dans vos applications.

  4. Tester le modèle.

    1. Cliquez sur l'onglet Tester.

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

    3. Sélectionnez Actif de données > test_data.csv.

    4. Cliquez sur Confirmer.

    5. Cliquez sur Prévoiret passez en revue les prévisions pour les 62 enregistrements des données de test.

Icône de point de contrôle Vérifiez votre progression

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

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




Tâche 5: Réunir les articles pertinents

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 05:07.

Bien que le laboratoire d'invite puisse utiliser du texte structuré et non structuré, il est essentiel de s'assurer que vous entrez les données appropriées que le modèle peut traiter. Dans ce cas d'utilisation, vous devez traiter le texte de l'article de forum en fonction des dates d'anomalie que vous avez obtenues à partir de la prévision d'anomalie. Vous pouvez intégrer une API d'informations externes pour extraire les informations pertinentes pendant ces dates afin de simplifier le processus de collecte de données. Vous pouvez effectuer cette opération dans un bloc-notes Jupyter avec du code Python .

Etant donné que les modèles de base ont une limite sur le nombre de jetons qu'ils peuvent traiter dans une seule invite (appelée fenêtre de contexte), les données peuvent avoir besoin d'être tronquées ou récapitulées 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 les informations essentielles.

Procédez comme suit pour exécuter le bloc-notes:

  1. Dans le menu de navigation Menu de navigation, sélectionnez Projets > Afficher tous les projets.
  2. Ouvrez le projet Analyse des anomalies du stock .
  3. Cliquez sur l'onglet Actifs.
  4. Cliquez sur le menu Dépassement Menu déroulant dynamique du bloc-notes Extraire et fractionner le texte des articles de nouvelles et choisissez Editer.
  5. Renseignez la section Configuration .
    1. Exécutez la première cellule pour importer les bibliothèques.
    2. Obtenez les clés d'API nécessaires:
      1. Suivez le lien pour créer un compte et une clé d'API à l'adresse APITheNews.
      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 définit une fonction permettant d'obtenir des données à partir des données Top Stories de l'API TheNewset de configurer des paramètres pour vous assurer que vous pouvez obtenir des informations pertinentes.
    • La deuxième cellule définit une fonction qui permet d'obtenir uniquement une liste d'URL en fonction 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 du texte d'informations d'une URL d'informations spécifique à l'aide de l'API ArticlExtractor .
    • La deuxième cellule définit une fonction permettant de combiner du texte d'informations provenant de toutes les URL d'article obtenues à partir de l'API TheNews.
  8. Exécutez la cellule dans la section Définir la fonction pour fractionner le texte d'informations . Pour vous assurer que le modèle de base LLM peut prendre les informations du texte, vous devez vous assurer que le jeton ne dépasse pas les limitations de la fenêtre de jeton de contexte. Dans cet exemple, vous définissez une fonction pour utiliser LangChain afin de fractionner le texte de caractère en prenant en compte le contexte du texte de nouvelles.
  9. Exécutez la cellule de la section Exécuter les fonctions . Dans la réponse, vous pouvez voir que la sortie finale des données est prête à être introduite dans Prompt Lab. Le gestionnaire de fractionnement de texte de LangChaindivise le texte long en blocs sémantiquement significatifs, ou phrases, et les combine à nouveau en tant que texte entier à traiter. Vous pouvez ajuster la taille maximale des blocs.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le bloc-notes terminé. Vous disposez maintenant du texte tronqué à utiliser pour inviter le modèle de base.

Le bloc-notes terminé




Tâche 6: Inviter le modèle de base

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 07:17.

Maintenant que vous disposez de l'article de nouvelles approprié correctement tronqué, vous pouvez créer vos propres modèles d'invite dans le laboratoire d'invite ou utiliser les exemples de modèles d'invite dans l'exemple de projet. L'exemple de projet inclut des exemples de modèles d'invite pour les tâches de récapitulation et de réponse aux questions. Procédez comme suit pour inviter le modèle de base dans le laboratoire d'invite.

Tâche de synthèse

  1. Revenez à l'onglet Actifs du projet.

  2. Cliquez sur le modèle d'invite Summarize News Articles . Le modèle d'invite s'ouvre dans le laboratoire d'invite.

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

    Pour la tâche de récapitulation, vous utilisez le texte de l'article de nouvelles tronqué comme exemple d'entrée, et vous notez que l'analyste de stock écrit généralement manuellement pour expliquer les anomalies comme exemple de sortie. Cela permet de s'assurer que la sortie est similaire à ce que l'analyste de stock peut écrire lui-même.

  4. Cliquez sur Générer pour afficher les résultats récapitulatifs.

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

Tâche de réponse à la question

  1. Cliquez sur Invite sauvegardée Invites sauvegardées pour afficher l'invite sauvegardée à partir de votre projet.

  2. Cliquez sur le modèle d'invite Articles de nouvelles de la réponse aux questions 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. Cliquez sur Générer pour afficher les résultats récapitulatifs.

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

Ajuster les paramètres du modèle

Dans Prompt Lab, vous pouvez ajuster les paramètres de décodage afin d'optimiser la sortie du modèle pour la 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 degré élevé de personnalisation, garantissant que le modèle fonctionne avec les paramètres les mieux adaptés aux exigences et aux contraintes de la tâche.

Dans Prompt Lab, vous pouvez définir des limitations de jeton pour vous assurer que les tâches restent dans la portée opérationnelle du modèle. Ce paramètre permet d'équilibrer l'intégralité de la réponse avec les limites techniques du modèle, ce qui garantit un traitement efficient et efficace des tâches.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le laboratoire d'invite.

Le Prompt Lab



Etapes suivantes

Expérimentation avec des blocs-notes d'invite

A partir du laboratoire d'invite, vous pouvez sauvegarder votre travail au format de bloc-notes:

  1. Chargez un modèle d'invite sauvegardé.
  2. Cliquez sur Sauvegarder le travail > Sauvegarder sous.
  3. Sélectionnez Bloc-notes.
  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.

Optimiser un modèle de base

Vous pouvez optimiser le modèle foundatation pour améliorer les performances du modèle par rapport à l'ingénierie d'invite uniquement ou réduire les coûts en déployant un modèle plus petit qui fonctionne de la même manière qu'un modèle plus grand. Voir le tutoriel Optimiser un modèle de base .

Ressources supplémentaires

Rubrique parent: Tutoriels de démarrage rapide

Recherche et réponse à l'IA générative
Ces réponses sont générées par un modèle de langue de grande taille dans watsonx.ai en fonction du contenu de la documentation du produit. En savoir plus