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

進捗状況の確認

次の図は、プロジェクトの 資産 タブを示しています。 これでトレーニングデータを可視化する準備が整いました。

タスク 2a: データを視覚化する

このタスクをプレビューするには、 01:24から始まるビデオをご覧ください。

まず、データを視覚化して、明らかな異常がないかどうかを確認する。 データを可視化するには、以下の手順に従ってください：

1. データセットを開く bank-marketing-data.csv データセットを開く。 列には潜在顧客に関する情報が含まれている。
2. 資産情報を見る アイコン をクリックして この資産 ペインを閉じる。
3. 可視化タブをクリックします。
   1. 可視化する列として current_outcome 列を選択する。 このカラムは、接触した相手が現在のオファーを受け入れたかどうかを示します。このカラムは、モデルを構築する際のターゲット・カラムです。
   2. Add another columnをクリックし、 previous_outcome カラムを選択する。 この欄は、連絡した相手が前回のオファーを受け入れたかどうかを示す。 青い点がついているチャートが推奨チャートであることに注意してください。
   3. ツリー チャートの種類を選択します。 このグラフは、前回のオファーを受け入れた人々と、同じ人々が今回のオファーを受け入れたかどうかを比較したものである。
   4. ルート・ ノードにカーソルを合わせると、データ・セットのレコード総数が表示されます。
   5. 同様に、 「いいえ 」と「 はい」のノードにカーソルを合わせると、その合計が表示される。
   6. ラベルのないノードにカーソルを合わせると、 current_outcome フィールドがNULLであるデータセット内のレコードの総数が表示されます。

タスク 2b: データの準備

このタスクをプレビューするには、 02:40からのビデオをご覧ください。

current_outcomeはターゲット・カラムなので、NULL値を持つ行を削除するためにデータ・セットを準備する必要があります。 以下の手順でデータセットを準備する：

1. Prepare data をクリックして Data Refinery を開く。
2. この資産 ペインを閉じる。
3. current_outcome カラムを選択する。
4. 新しいステップ＞空の行を削除をクリックする。
5. 「適用」をクリックします。
6. Profile タブをクリックしてアクションを確認する。
7. current_outcome 列までスクロールすると、すべての値が "yes "か "no "であることがわかる。

タスク 2c: 精製データを保存する

このタスクをプレビューするには、 03:08から始まるビデオをご覧ください。

精緻化されたデータを保存するには、対象となるデータセットのファイル名を指定し、 ジョブ作成して実行する。 以下の手順に従って、精製データを保存してください：

1. ファイル名を指定する：

   1. 設定アイコン をクリックします。
   2. 対象データセットページをクリックする。
   3. プロパティの編集をクリックする。
   4. データ資産名* を bank-marketing-data-prepared.csv に変更する。
   5. 保存 をクリックします。
   6. 「適用」をクリックします。

2. ジョブ作成し、実行する：

   1. ツールバーから 求人情報 アイコンをクリックし、 ジョブ保存と作成 を選択する。
      

   2. Bank marketing data と入力し、 Nextをクリックする。

   3. Configure（構成） ページでランタイム環境を選択し、 Next（次へ ）をクリックする。

   4. Schedule ページで、デフォルト値を受け入れ、 Nextをクリックする。

   5. Notify ページで、このジョブ通知をオフにしたまま、 Nextをクリックします。

   6. 詳細を確認し、 作成して実行 をクリックしてジョブを即時に実行してください。

3. ジョブが作成されたら、通知内の ジョブの詳細 リンクをクリックして、プロジェクト内のジョブを表示します。 あるいは、プロジェクトの ジョブ タブにナビゲートし、ジョブ名をクリックして開くこともできます。

4. ジョブ ステータス が 完成 の場合、プロジェクトのナビゲーショントレイルを使用して、プロジェクトの 資産 タブに戻ります。

5. データ > データ資産 セクションをクリックして Data Refinery フローの出力を確認し、 bank-marketing-data-prepared.csv を開いて値を確認する。

進捗状況の確認

以下の画像はそのモデルである。

タスク 4a: テストデータをデプロイメント・スペースプロモートする

このタスクをプレビューするには、 05:34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にはテストデータが含まれています。 そのテストデータをデプロイメント・スペース昇格させ、デプロイされたモデルをテストするためにテストデータを使用できるようにします。 テスト データをデプロイメント・スペース昇格させるには、次の手順に従います：

1. プロジェクトの 資産 タブに戻ります。

2. bank-marketing-test-data.csv データ資産資産の オーバーフロー メニュー をクリックし、 スペースへのプロモート を選択します。

3. 既存のデプロイメント・スペースを選択してください。 デプロイメント・スペースない場合：

   1. 新しいデプロイメント・スペース作成する をクリックする。

   2. 名前にはこう入力する： Bank marketing promotion space

   3. ストレージ・サービスを選択してください。

   4. 機械学習サービスを選択してください。

   5. 「作成」 をクリックします。

   6. スペースの準備ができたら通知を閉じる。

4. リストから新しいデプロイメント・スペース選択します。

5. プロモートをクリックします。

6. 閉じる をクリックして、プロジェクトの 資産 タブに戻る。

進捗状況の確認

次の画像は完成したノートブックです。 これで、 基盤モデルプロンプトに使用するチャンク・テキストができた。

タスク 6a: 要約タスク

このタスクをプレビューするには、 09:32から始まるビデオをご覧ください。

まず、要約プロンプト・テンプレートを試してみよう。

1. プロジェクトの 資産 タブに戻ります。

2. 銀行プロモーションの要約］ プロンプト・テンプレートをクリックします。 これでプロンプトテンプレートが Prompt Lab で開きます。

3. 編集] をクリックして、プロンプトテンプレートを編集モードで開きます。

   要約タスクでは、チャンク化されたニュース記事テキストを入力例とし、マーケティング担当者が通常手作業で書いているキャンペーン説明のメモを出力例とする。 これは、マーケティング・チームが自分で書くのと同じようなアウトプットにするためだ。

4. このプロンプトで使用されている基盤モデル XX であることに注目してほしい。

5. 生成 」をクリックすると、要約結果が表示されます。

6. ノートブックのチャンクされたニュース記事から、さまざまな入力と出力のテキストを試す。

タスク 6b: 質問に答えるタスク

このタスクをプレビューするには、 10:15からのビデオをご覧ください。

次に、質問に答えるプロンプト・テンプレートを試してみましょう。

1. Saved prompts をクリックすると、プロジェクトの保存されたプロンプトが表示されます。

2. 保存されたプロンプトの一覧から、 質問回答バンクプロモーションプロンプトテンプレートをクリックします。

3. 編集] をクリックして、プロンプトテンプレートを編集モードで開きます。

   質問と回答のタスクでは、入力例として質問を使い、出力例として要求される詳細レベルと望ましい形式の回答を使います。

4. このプロンプトに使用されている基盤モデル次のとおりである。 flan-t5-xxl-11b.

5. 生成 」をクリックすると、要約結果が表示されます。

6. 入力と出力のテキストを変えて実験する。

タスク 6c: モデルのパラメーターを調整する

このタスクをプレビューするには、 10:37から始まるビデオをご覧ください。

Prompt Lab では、特定のタスクに対してモデルの出力を最適化するために、デコード設定を調整することができます：

• デコード
  • 貪欲：常に最も確率の高い単語を選択する
  • サンプリング：単語選択のばらつきをカスタマイズする
• 反復ペナルティ：どの程度の反復が許されるか
• 停止基準：生成された場合にテキスト生成を停止させる1つ以上の文字列

この柔軟性により、高度なカスタマイズが可能になり、タスクの要件と制約に最適なパラメータでモデルを動作させることができる。

Prompt Lab では、トークンの制限を設定して、タスクがモデルの運用範囲内に収まるようにすることができます。 この設定は、回答の包括性とモデルの技術的限界のバランスをとるのに役立ち、結果として効率的かつ効果的なタスク処理を実現する。

タスク 6d: ドキュメントとチャット

このタスクをプレビューするには、 10:45からのビデオをご覧ください。

また、 チャットモードを使用して、事実を提供するサンプルPDF文書を使って基盤モデル促すこともできます。 1つ以上のドキュメントを追加すると、 基盤モデル質問に答えるために使用するメモリ内のベクトルインデックスが作成されます。

1. 新規プロンプトをクリックします。
2. チャットをクリック。
3. オプション：モデルを選択してください、 llama-3-1-8b-instruct.
4. ドキュメントのアップロード] アイコン をクリックし、[ ドキュメントの追加 ]を選択します。
5. プロジェクトから選択をクリックします。
   1. Select Bank CD Rates.pdf.
   2. 「選択」をクリックします。
6. Ground gen AI with vectorized documentsのページに戻り、名前を確認し、 Createをクリックする。
7. Type something」 フィールドに「 Which bank has the best APY for a term deposit and what is the rate? 」と入力し、「 Send」 アイコン（ ）をクリックすると答えが表示されます。

進捗状況の確認

次の画像は、 Prompt Lab。