クイック・スタートwatsonx.ai エンドツーエンドのユースケースを試す

このタスクをプレビューするには、00:58から始まるビデオを見てください。

このチュートリアルでは、分析を実行するためのデータセット、ノートブック、プロンプト・テンプレートが含まれたサンプル・プロジェクトを使用します。 以下の手順に従って、サンプルに基づいたプロジェクトを作成してください：

1. リソースハブの株価異常分析プロジェクトにアクセスします。

   1. プロジェクトを作成をクリックします。

   2. プロジェクト名のデフォルト値を受け入れ、Createをクリックします。

   3. プロジェクトが正常に作成されたら、新しいプロジェクトを見るをクリックします。

2. Watson Machine Learning サービスをプロジェクトに関連付けます：

   1. プロジェクトが開いたら、管理タブをクリックし、サービスと統合ページを選択します。

   2. IBM servicesタブで、Associateをクリックします。

   3. Watson Machine Learning インスタンスを選択します。 Watson Machine Learning サービス・インスタンスがまだプロビジョニングされていない場合は、以下の手順に従ってください：

      1. 新規サービスをクリックします。

      2. Watson Machine Learningを選択します。

      3. 「作成」 をクリックします。

      4. リストから新しいサービス・インスタンスを選択する。

   4. サービスを関連付けるをクリックします。

   5. 必要に応じて、キャンセルをクリックし、サービス & 統合ページに戻ります。

3. プロジェクトのアセットタブをクリックすると、サンプルアセットが表示されます。

詳細やビデオについては、プロジェクトの作成をご覧ください。

関連サービスの詳細については、関連サービスの追加を参照してください。

このタスクをプレビューするには、01:27から始まるビデオを見てください。

サンプルプロジェクトの3つのデータセットには、Yahoo！ ファイナンスのウェブサイトをベースにしています。 時系列異常予測モデルの学習データは、構造化され、連続的でなければならない。 この場合、合成データは構造化され、シーケンシャルである。 以下の手順で、サンプルプロジェクトのデータ資産を表示します：

1. historical_data.csv データセットを開く。 このデータセットには、2012年5月から2016年5月までの過去の株価実績が含まれている。
2. プロジェクトの資産タブに戻り、test_data.csv データセットを開きます。 このデータセットには、Q1における過去の株価実績が含まれている。
3. プロジェクトの資産タブに戻り、training_data.csv データセットを開きます。 このデータセットには、2023年の過去の株価実績が含まれている。
4. ビジュアライゼーションタブをクリックします。
   1. 日付列を選択し、データの可視化をクリックします。 最初に提案されたチャート・タイプであるヒストグラムが表示される。
   2. Line チャート・タイプを選択します。
      1. X軸では、日付列を選択する。
      2. Y軸で、Adj終値列を選択する。 これは、日付ごとの調整された終値を示している。 アノマリー分析の対象列は、調整後の終値である。

このタスクをプレビューするには、02:13から始まるビデオを見てください。

AutoAI, SPSS Modeler、またはJupyterノートブックなど、さまざまなツールを使用してモデルをトレーニングすることができます。 このチュートリアルでは、AutoAIを使って時系列分析の異常予測モデルを学習します。 以下の手順に従って、AutoAI実験を作成する：

1. プロジェクトのアセットタブに戻り、新規アセット >機械学習モデルを自動的に構築をクリックします。

2. 機械学習モデルを自動的に構築するページで、名前を入力する：

   Stock anomaly experiment
   

3. 「作成」 をクリックします。

4. データソースの追加ページで、トレーニングデータを追加します：

   1. プロジェクトからデータを選択をクリックしてください。

   2. データ資産 > training_data.csvを選択し、資産の選択をクリックします。

5. 時系列分析の設定を行う：

   1. 時系列実験の作成を求められたらはいを選択する。

   2. 異常予測を選択します。

6. Feature columnでAdj Closeを選択する。

7. 「エクスペリメントの実行 (Run experiment)」をクリックします。 モデルのトレーニングが進むにつれて、パイプラインの構築過程を示すインフォグラフィックが表示される。
   

   AutoAI の各機械学習手法で使用可能なアルゴリズム または推定法のリストについては、 AutoAI 実装の詳細を参照してください。

8. 実験が完了すると、ランキングされたパイプラインをリーダーボードで表示し、比較することができます。

   

9. パイプラインの比較をクリックすると、両者の違いを見ることができる。

   

10. 最高ランクのパイプラインをクリックすると、パイプラインの詳細が表示されます。

11. モデルの評価ページで、モデルのパフォーマンスに関する詳細な評価指標を確認してください。

    AutoAIツールは、幅広い基準を考慮して異常を発見する。 表では、平均精度やROC下面積など、異常の種類ごとに異なる指標に基づく評価を見ることができます。

    異常タイプ

    異常タイプ	説明
    トレンド・アノマリー	時系列のセグメントで、そのセグメントの前の時系列と比較してトレンドが変化しているもの。
    バリアンス・アノマリー	時系列の分散が変化する時系列のセグメント。
    局地的な極端な異常	時系列における異常なデータポイントで、その周辺のデータポイントから大きく乖離している。
    レベルシフト・アノマリー	時系列の平均値が変化する区間。

12. モデルを保存します。

    1. 名前を付けて保存をクリックします。

    2. モデルを選択します。

    3. モデル名には

       Anomaly Prediction Model
       

    4. 「作成」 をクリックします。 これにより、パイプラインがモデルとしてプロジェクトに保存されます。

13. モデルが保存されたら、通知内の プロジェクトで表示 リンクをクリックして、プロジェクト内のモデルを表示します。 あるいは、プロジェクトの資産タブに移動し、モデルセクションでモデル名をクリックすることもできます。

このタスクをプレビューするには、03:40から始まるビデオを見てください。

次のタスクは、テストデータとモデルをデプロイメントスペースに昇格させ、オンラインデプロイメントを作成することである。

このタスクをプレビューするには、05:07から始まるビデオを見てください。

プロンプト・ラボは構造化テキストと非構造化テキストを扱うことができますが、モデルが処理できる正しいデータを入力することが不可欠です。 このユースケースでは、異常予測から得た異常日時に基づいてニュース記事のテキストを処理する必要がある。 外部のニュースAPIを統合して、その日付に関連するニュースを抽出し、データ収集プロセスを簡素化することができる。 これはJupyterノートブックでPythonコードを使って行うことができます。

基礎モデルには、1回のプロンプトで処理できるトークンの数に制限があるため（コンテキストウィンドウとして知られている）、この制限内に収まるようにデータをチャンク化または要約する必要があるかもしれない。 このステップでは、入力データが重要な情報を失うことなく、基礎モデルが効果的に処理できる形式であることを確認する。

ノートブックを実行するには、以下の手順に従ってください：

1. ナビゲーションメニュー から、プロジェクト > すべてのプロジェクトを表示を選択します。
2. 株価異常分析プロジェクトを開く。
3. 「資産」タブをクリックします。
4. オーバーフローメニューのをクリックし、ニュース記事からテキストを抽出するノートブックの編集を選択します。
5. セットアップセクションを完了します。
   1. 最初のセルの実行アイコンをクリックして、ライブラリをインポートします。
   2. 必要なAPIキーを取得する：
      1. TheNewsAPIのリンクからアカウントとAPIキーを作成してください。
      2. API キーを thenewsapi_key 変数に貼り付けます。
      3. ArticlExtractor でアカウントとAPIキーを作成するリンクに従ってください。
      4. API キーを extract_key 変数に貼り付けます。
   3. セルを実行して2つのAPIキー変数を設定する。
6. ニュース記事のURLを取得する関数を定義するセクションでセルを実行する。
   • 最初のセルでは、TheNewsAPI's Top Storiesからデータを取得する関数を定義し、関連するニュースを取得できるようにパラメータを設定しています。
   • 番目のセルは、レスポンスに基づいてURLのリストだけを取得する関数を定義している。
7. ニューステキストを抽出する関数を定義するセクションでセルを実行する。
   • 最初のセルでは、ArticlExtractor APIを使って、特定のニュースURLからニューステキストを抽出する関数を定義しています。
   • 2番目のセルは、TheNewsAPIから取得したすべての記事URLからニューステキストを結合する関数を定義している。
8. ニューステキストをチャンクする関数を定義するセクションでセルを実行する。 LLM基礎モデルがテキストからの情報を確実に取り込めるようにするには、トークンがコンテクストトークンウィンドウの制限を超えないようにする必要があります。 この例では、LangChainを使って、ニューステキストの文脈を考慮して文字テキストを分割する関数を定義しています。
9. 関数を実行セクションでセルを実行する。 レスポンスでは、データの最終出力がプロンプト・ラボに入力できる状態になっていることがわかる。 LangChain’sテキストスプリッタは、長いテキストを意味的に意味のある塊（センテンス）に分割し、それらを再び全体のテキストとして結合して処理します。 チャンクの最大サイズを調整できる。

このタスクをプレビューするには、07:17から始まるビデオを見てください。

関連するニュース記事が適切にチャンクされたので、プロンプトラボで独自のプロンプトテンプレートを作成することもできますし、サンプルプロジェクトのサンプルプロンプトテンプレートを使用することもできます。 このサンプルプロジェクトには、要約や質問に答えるタスクのためのサンプルプロンプトテンプレートが含まれています。 以下の手順に従って、プロンプトラボでファウンデーションモデルをプロンプトしてください。