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

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.

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.

Pour prévisualiser cette tâche, regardez la vidéo qui commence à 02:13.

Vous pouvez utiliser divers outils, tels que : AutoAI, SPSS Modeler, ou des notebooks 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
   

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.
   

   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.

   

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

   

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 .

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.

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 , 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 du bloc-notes Extraire et fractionner le texte des articles de nouvelles et choisissez Editer.
5. Renseignez la section Configuration .
   1. Cliquez sur l'icône Exécuter de 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 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 définit une fonction permettant d'obtenir des données TheNewsAPI's Top Stories et configurez 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 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 . 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. 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.

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.