Introduzione rapida: prova il caso d'uso end-to-end watsonx.ai

Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 00:00.

Questa esercitazione utilizza un progetto di esempio che contiene dataset, notebook e modelli di prompt per eseguire l'analisi. Per creare un progetto basato su un esempio, attenersi alla seguente procedura:

1. Accedere al progetto Analisi delle anomalie di stock nell'hub risorse.

   1. Fare clic su Crea progetto.

   2. Accettare i valori predefiniti per il nome del progetto e fare clic su Crea.

   3. Fare clic su Visualizza nuovo progetto quando il progetto viene creato correttamente.

2. Associa un servizio Watson Machine Learning al progetto:

   1. Quando il progetto si apre, fai clic sulla scheda Manage e seleziona la pagina Services and integrations .

   2. Sulla scheda ServiziIBM , fai clic su Associa.

   3. Selezionare l'istanza di Watson Machine Learning . Se non hai ancora eseguito il provisioning di un'istanza del servizio Watson Machine Learning , attieniti alla seguente procedura:

      1. Fare clic su Nuovo servizio.

      2. Selezionare Watson Machine Learning.

      3. Fare clic su Crea.

      4. Selezionare la nuova istanza del servizio dall'elenco.

   4. Fare clic su Associa servizio.

   5. Se necessario, fare clic su Annulla per tornare alla pagina Servizi & Integrazioni .

3. Fare clic sulla scheda Asset nel progetto per visualizzare gli asset di esempio.

Per ulteriori informazioni o per guardare un video, consultare Creazione di un progetto.

Per ulteriori informazioni sui servizi associati, consultare Aggiunta di servizi associati.

Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 01:27.

I tre dataset nel progetto di esempio contengono dati sintetici generati utilizzando i dati di stock pubblici da Yahoo! Sito web di finanza come base. I dati di addestramento per un modello di previsione delle anomalie delle serie temporali devono essere strutturati e sequenziali. In questo caso, i dati sintetici sono strutturati e sequenziale. Attenersi alla seguente procedura per visualizzare gli asset di dati nel progetto di esempio:

1. Aprire la serie di dati historical_data.csv . Questo dataset contiene le prestazioni dei prezzi azionari cronologici da maggio 2012 a maggio 2016.
2. Tornare alla scheda Asset del progetto e aprire il data set test_data.csv . Questo dataset contiene le prestazioni cronologiche del prezzo delle azioni nel Q1 2023.
3. Tornare alla scheda Asset del progetto e aprire il dataset training_data.csv . Questo dataset contiene le prestazioni cronologiche del prezzo delle azioni nel 2023.
4. Fare clic sulla scheda Visualizzazione .
   1. Selezionare la colonna Data e fare clic su Visualizza dati. Viene visualizzato il primo tipo di grafico suggerito, un istogramma.
   2. Selezionare il tipo di grafico Linea .
      1. Per l' asse X, selezionare la colonna Data .
      2. Per Asse Y, selezionare la colonna Adj Close . Mostra il prezzo di chiusura rettificato per data. La colonna di destinazione per l'analisi delle anomalie è il prezzo di chiusura rettificato.

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 02:13.

È possibile utilizzare una varietà di strumenti, come ad esempio AutoAI, SPSS Modeler o notebook Jupyter per addestrare il modello. In questa esercitazione, verrà adattato il modello di previsione delle anomalie dell'analisi delle serie temporali con AutoAI. Seguire questa procedura per creare l'esperimento AutoAI :

1. Tornare alla scheda Asset del progetto e fare clic su Nuovo asset> Crea modelli di machine learning automaticamente.

2. Nella pagina Crea automaticamente i modelli di machine learning , immettere il nome:

   Stock anomaly experiment
   

3. Fare clic su Crea.

4. Nella pagina Aggiungi origine dati , aggiungere i dati di addestramento:

   1. Fare clic su Seleziona dati dal progetto.

   2. Selezionare Asset dati> training_data.csve fare clic su Seleziona asset.

5. Impostare le impostazioni di analisi delle serie temporali:

   1. Selezionare Sì se viene richiesto di creare un esperimento di serie temporali.

   2. Selezionare Previsione anomalie.

6. Selezionare Adj Close per Feature columns.

7. Fai clic su Run experiment. Mentre il modello si allena, viene visualizzata un'infografica che mostra il processo di creazione delle pipeline.
   

   Per un elenco di algoritmi, o stimatori, disponibili con ciascuna tecnica di machine learning in AutoAI, Vedere: AutoAI dettaglio di implementazione.

8. Una volta completata l'esecuzione dell'esperimento, è possibile visualizzare e confrontare le pipeline classificate in una classifica.

   

9. È possibile fare clic su Confronto pipeline per visualizzare le differenze.

   

10. Fai clic sulla pipeline con il rango più alto per visualizzare i dettagli della pipeline.

11. Esaminare la pagina Valutazione del modello per visualizzare le metriche di valutazione dettagliate relative alle prestazioni del modello.

    Lo strumento AutoAI considera un'ampia gamma di criteri per individuare le anomalie. Nella tabella, è possibile vedere la valutazione in base a metriche differenti, come Precisione media e Area sotto ROC, per ciascuno dei tipi di anomalia.

    Tipi di anomalie

    Tipo di anomalia	Descrizione
    Anomalia di tendenza	Un segmento di serie temporali, che ha una variazione di tendenza rispetto alle serie temporali prima del segmento.
    Anomalia della varianza	Un segmento di serie storica in cui viene modificata la varianza di una serie storica.
    Anomalia estrema localizzata	Un punto dati insolito in una serie temporale, che si discosta in modo significativo dai punti dati che lo circondano.
    Anomalia di spostamento del livello	Un segmento in cui viene modificato il valore medio di una serie temporale.

12. Salvare il modello.

    1. Fare clic su Salva con nome.

    2. Selezionare Modello.

    3. Per il nome del modello, immettere:

       Anomaly Prediction Model
       

    4. Fare clic su Crea. Ciò salva la pipeline come modello nel tuo progetto.

13. Una volta salvato il modello, fare clic sul collegamento Visualizza nel progetto nella notifica per visualizzare il modello nel progetto. In alternativa, è possibile passare alla scheda Asset nel progetto e fare clic sul nome del modello nella sezione Modelli .

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 03:30.

L'attività successiva consiste nel promuovere i dati di test e il modello a uno spazio di distribuzione e quindi creare una distribuzione in linea.

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 05:07.

Sebbene il Prompt Lab possa lavorare con testo strutturato e non strutturato, è essenziale assicurarsi di immettere i dati corretti che il modello può elaborare. In questo caso di utilizzo, è necessario elaborare il testo dell'articolo di notizie in base alle date di anomalia ottenute dalla previsione delle anomalie. È possibile integrare un'API di notizie esterna per estrarre le notizie rilevanti durante tali date per semplificare il processo di raccolta dei dati. Puoi eseguire questa operazione in un notebook Jupyter con codice Python .

Poiché i modelli di base hanno un limite sul numero di token che possono elaborare in un singolo prompt (noto come finestra di contesto), i dati potrebbero dover essere raggruppati o riepilogati per rientrare in questo limite. Questo passo garantisce che i dati di input siano in un formato che il modello di base può elaborare in modo efficace senza perdere le informazioni essenziali.

Attenersi alla seguente procedura per eseguire il notebook:

1. Dal Menu di navigazione , scegliere Progetti> Visualizza tutti i progetti.
2. Aprire il progetto Analisi delle anomalie stock .
3. Fai clic sulla scheda Assets.
4. Fare clic sul menu Overflow per il blocco appunti Estrazione e porzione di testo dagli articoli di Notizie e scegliere Modifica.
5. Completare la sezione Configurazione .
   1. Fare clic su Esegui per la prima cella per importare le librerie.
   2. Ottenere le chiavi API necessarie:
      1. Segui il collegamento per creare un account e una chiave API su TheNewsAPI.
      2. Incolla la chiave API nella variabile thenewsapi_key .
      3. Segui il collegamento per creare un account e una chiave API in ArticlExtractor.
      4. Incolla la chiave API nella variabile extract_key .
   3. Eseguire la cella per impostare le due variabili chiave API.
6. Eseguire le celle nella sezione Definire la funzione per ottenere gli URL degli articoli di notizie .
   • La prima cella definisce una funzione da cui ottenere i dati TheNewsAPI's Notizie principali e imposta i parametri per assicurarti di ricevere notizie pertinenti.
   • La seconda cella definisce una funzione per ottenere solo un elenco di URL basati sulla risposta.
7. Eseguire le celle nella sezione Definire la funzione per estrarre il testo delle notizie .
   • La prima cella definisce una funzione per estrarre il testo delle notizie da uno specifico URL di notizie utilizzando l'API ArticlExtractor .
   • La seconda cella definisce una funzione per combinare il testo delle notizie da tutti gli URL degli articoli ottenuti TheNewsAPI.
8. Eseguire la cella nella sezione Definire la funzione per suddivide in blocchi il testo delle notizie . Per garantire che il modello di base LLM possa acquisire le informazioni dal testo, è necessario assicurarsi che il token non superi le limitazioni della finestra del token di contesto. In questo esempio, si definisce una funzione per utilizzare LangChain per suddividere il testo del carattere tenendo conto del contesto del testo delle notizie.
9. Eseguire la cella nella sezione Esegui le funzioni . Nella risposta, è possibile vedere che l'output finale dei dati è pronto per essere inserito nel Prompt Lab. LangChain’s il divisore di testo divide il testo lungo in blocchi o frasi semanticamente significativi e li combina nuovamente come un intero testo da elaborare. È possibile regolare la dimensione massima dei blocchi.

Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 07:17.

Ora che l'articolo di notizie pertinente è opportunamente suddiviso in blocchi, è possibile creare i propri modelli di prompt in Prompt Lab oppure è possibile utilizzare i modelli di prompt di esempio nel progetto di esempio. Il progetto di esempio include modelli di prompt di esempio per attività di riepilogo e di risposta alle domande. Seguire questa procedura per richiedere il modello di base in Prompt Lab.