クイック・スタート: watsonx.ai エンドツーエンド・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ご覧ください。

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、およびプロンプト・テンプレートを含むサンプル・プロジェクトを使用します。 サンプルに基づいてプロジェクトを作成するには、以下の手順を実行します。

1. リソース・ハブの 「Stock anomalies analysis」 プロジェクトにアクセスします。

   1. 「プロジェクトの作成」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て、 「作成」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、 「新規プロジェクトの表示」 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 サービス」 タブで、 「関連付け」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ンされていない場合は、以下の手順を実行します。

      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. リストから新規サービス・インスタンスを選択します。

   4. 「サービスの関連付け」をクリックします。

   5. 必要に応じて、 「キャンセル」 をクリックして 「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」 タブをクリックして、サンプル・アセットを表示します。

詳しくは、またはビデオを視聴するには、 プロジェクトの作成を参照してください。

関連付けられたサービスについて詳しくは、 関連付けられた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ご覧ください。

サンプル・プロジェクト内の 3 つのデータ・セットには、 Yahoo! のパブリック・ストック・データを使用して生成された合成データが含まれています。 基盤として Web サイトをファイナンシングします。 時系列異常予測モデルのトレーニング・データは、構造化された順次データでなければなりません。 この場合、合成データは構造化され、順次データです。 サンプル・プロジェクト内のデータ資産を表示するには、以下の手順を実行します。

1. historical_data.csv データ・セットを開きます。 このデータ・セットには、2012 年 5 月から 2016 年 5 月までの株価パフォーマンスの履歴が含まれています。
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 2023 の株価パフォーマンスの履歴が含まれています。
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 年の株価パフォーマンスの履歴が含まれています。
4. 「視覚化」 タブをクリックします。
   1. 「日付」 列を選択し、 「データの視覚化」をクリックします。 最初に提案されたグラフ・タイプ (ヒストグラム) が表示されます。
   2. 「折れ線」 グラフ・タイプを選択します。
      1. 「X 軸」で、 「日付」 列を選択します。
      2. 「Y 軸」で、 「Adj Close」 列を選択します。 日付別の調整済み終値が表示されます。 異常分析のターゲット列は、調整された終値です。

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ご覧ください。

次のようなさまざまなツールを使用できます。AutoAI, SPSS Modeler、または Jupyter ノートブックを使用してモデルをトレーニングします。 このチュートリアルでは、 AutoAIを使用して時系列分析の異常予測モデルをトレーニングします。 AutoAI エクスペリメントを作成するには、以下の手順を実行します。

1. プロジェクトの 「資産」 タブに戻り、 「新規資産」>「機械学習モデルの自動ビルド」をクリックします。

2. 「機械学習モデルの自動ビルド (Build machine learning models automatically)」 ページで、名前を入力します。

   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. 以下のように、時系列分析の設定を行います。

   1. 時系列エクスペリメントの作成を求められた場合は、 「はい」 を選択します。

   2. 「異常予測」を選択します。

6. 「フィーチャー列」で 「Adj Close」 を選択します。

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中に、パイプラインの作成プロセスを示すインフォグラフィックが表示されます。
   

   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. エクスペリメントの実行が完了したら、ランク付けされたパイプラインをリーダーシップ・ボードで表示して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、それらの違いを確認できます。

   

10. 最もランクが高い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. 「モデル評価」 ページを参照して、モデル・パフォーマンスに関する詳細な評価メトリックを確認します。

    AutoAI ツールは、異常を発見するために幅広い基準を考慮します。 この表では、異常タイプごとに、 「平均精度」 や 「ROC 曲線下面積」などのさまざまなメトリックに基づく評価を確認できます。

    異常タイプ

    異常タイプ	説明
    トレンドの異常	時系列のセグメント。これには、セグメントの前の時系列と比較したトレンドの変化があります。
    分散の異常	時系列の分散が変更される、時系列のセグメント。
    局所的な極端な異常	時系列内の異常なデータ・ポイント。周囲のデータ・ポイントから有意に逸脱しています。
    レベル・シフト異常	時系列の平均値が変更されるセグメントです。

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. モデル名として、次のように入力します。

       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」 タブにナビゲートし、 「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ご覧ください。

次のタスクは、テスト・データとモデルをデプロイメント・スペースにプロモートしてから、オンライン・デプロイメントを作成することです。

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ご覧ください。

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処理できますが、モデルが処理できる適切なデータを確実に入力することが重要です。 このユース・ケースでは、異常予測から取得した異常日に基づいてニュース記事テキストを処理する必要があります。 データ収集プロセスを簡素化するために、外部ニュース API を統合して、それらの日付の間に関連するニュースを抽出することができます。 これは、Jupyter ノートブックで Python コードを使用して行うことができます。

ファウンデーション・モデルには、単一のプロンプト (コンテキスト・ウィンドウと呼ばれる) で処理できるトークンの数に制限があるため、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場合があります。 このステップにより、入力データは、基盤モデルが重要な情報を失うことなく効果的に処理できる形式になります。

ノートブックを実行するには、以下の手順を実行します。

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. 「Stock anomalies analysis」 プロジェクトを開きます。
3. 「資産」タブをクリックします。
4. 「ニュース記事からのテキストの抽出」 ノートブックの 「オーバーフロー」 メニュー をクリックし、 「編集」を選択します。
5. 「セットアップ」 セクションに入力します。
   1. 最初のセルの 「実行」 アイコン をクリックして、ライブラリーをインポートします。
   2. 必要な API キーを取得します。
      1. リンクに従ってアカウントとAPIキーを作成してくださいTheNewsAPI 。
      2. API キーを thenewsapi_key 変数に貼り付けます。
      3. ArticlExtractorのリンクに従って、アカウントと API キーを作成します。
      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 キー変数を設定します。
6. 「ニュース記事の URL を取得する関数の定義」 セクションのセルを実行します。
   • 最初のセルはデータを取得する関数を定義しますTheNewsAPI'sトップストーリーとパラメータを設定して、関連ニュースを確実に取得できるようにします。
   • 2 番目のセルは、応答に基づいて URL のリストのみを取得する関数を定義します。
7. 「ニュース・テキストを抽出する関数の定義」 セクションのセルを実行します。
   • 最初のセルは、 ArticlExtractor API を使用して特定のニュース URL からニュース・テキストを抽出する関数を定義します。
   • 2番目のセルは、取得したすべての記事URLのニューステキストを結合する関数を定義します。TheNewsAPI 。
8. 「ニュース・テキストをチャンク化する関数の定義」 セクションのセルを実行します。 LLM ファウンデーション・モデルがテキストから情報を取得できるようにするには、トークンがコンテキスト・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 を使用して、ニュース・テキストのコンテキストを考慮して文字テキストを分割する関数を定義します。
9. 「関数の実行」 セクションのセルを実行します。 応答では、データの最終出力をプロンプト・ラボに送る準備ができていることを確認できます。 LangChain’sテキスト スプリッターは、長いテキストを意味的に意味のあるチャンクまたは文に分割し、それらを処理されるテキスト全体として再度結合します。 チャンクの最大サイズを調整することができます。

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ご覧ください。

これで、関連するニュース記事が適切にチャンク化されたので、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、サンプル・プロジェクトでサンプル・プロンプト・テンプレートを使用することもできます。 サンプル・プロジェクトには、要約および質問の回答タスク用のサンプル・プロンプト・テンプレートが含まれています。 プロンプト・ラボでファウンデーション・モデルのプロンプトを表示するには、以下の手順を実行します。