0 / 0
영어 버전 문서로 돌아가기
빠른 시작: watsonx.ai 엔드-투-엔드 유스 케이스 시도

빠른 시작: watsonx.ai 엔드-투-엔드 유스 케이스 시도

이 학습서는 금융 산업의 샘플 유스 케이스에 초점을 맞춥니다. 골든 은행은 생산성을 높이고 주식 분석가의 투자 은행 업무의 정확성을 높이기 위해 주식 변칙 분석을 수행해야 합니다.

필수 서비스
watsonx.ai
Watson Machine Learning

시나리오: 재고 이상 항목 분석 프로세스

이 목표를 달성하기 위해 일반적인 프로세스는 다음과 같습니다.

  1. 투자 은행가 또는 관리자가 주식 분석가에게 회사의 주식을 조사하도록 요청합니다.
  2. 주식 분석가는 회사의 주식 데이터를 다운로드합니다.
  3. 이들은 주식 데이터를 수동으로 검색하여 주식 가격이 수행되는 방식에서 이상 항목을 찾습니다.
  4. 특정 날짜에 관련된 뉴스 기사를 웹에서 수동으로 검색하여 이상 항목을 설명합니다.
  5. 주식 분석가는 뉴스 기사를 사용하여 이상 항목의 원인을 요약합니다.
  6. 그들은 특정 정보와 날짜에 대한 후속 연구를 하고 있습니다.
  7. 이들은 투자 결정을 내리고 투자를 결정하기 위해 추가 분석을 수행할 수 있도록 보고서를 투자 은행가에게 보냅니다.

watsonx.ai 를 사용하는 기본 태스크 워크플로우

Watsonx.ai 는 이 프로세스의 각 단계를 수행하는 데 도움이 될 수 있습니다. 기본 워크플로우에는 다음 태스크가 포함됩니다.

  1. 프로젝트를 여십시오. 프로젝트는 데이터 작업을 위해 다른 사용자와 협업하는 위치입니다.
  2. 프로젝트에 데이터를 추가합니다. 연결을 통해 원격 데이터 소스에서 데이터나 CSV 파일을 추가할 수 있습니다.
  3. 모델을 훈련합니다. AutoAI, SPSS Modeler또는 Jupyter 노트북과 같은 다양한 도구를 사용하여 모델을 훈련할 수 있습니다.
  4. 모델을 배치하고 테스트하십시오.
  5. 데이터를 변환하십시오.
  6. 기초 모델을 프롬프트합니다.
  7. 기초 모델을 조정하십시오.

watsonx.ai 에 대해 읽어보십시오.

AI 기반 솔루션으로 비즈니스 프로세스를 혁신하려면 엔터프라이즈에서 머신 러닝과 생성 AI를 모두 운영 프레임워크에 통합해야 합니다. Watsonx.ai 는 엔터프라이즈에서 기계 학습 모델 및 생성 AI 솔루션을 개발하고 배치할 수 있도록 프로세스 및 기술을 제공합니다.

watsonx.ai자세히 보기

watsonx.ai 유스 케이스에 대해 자세히 읽기

watsonx.ai 에 대한 비디오 보기

비디오 보기 비디오를 시청하면 이 학습서의 단계를 미리 볼 수 있습니다. 비디오에 표시된 사용자 인터페이스에 약간의 차이가 있을 수 있습니다. 이 비디오는 작성된 학습서와 함께 사용하기 위한 것입니다.

이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.


watsonx.ai 에 대한 튜토리얼을 시도해 보십시오.

이 학습서에서는 다음 태스크를 완료합니다.





이 학습을 완료하기 위한 팁

다음은 이 학습서를 성공적으로 완료하기 위한 몇 가지 팁입니다.

비디오 사진 사용

팁: 비디오를 시작한 후 학습서를 스크롤하면 비디오가 그림 모드로 이동합니다. 픽처 인 픽처를 사용하여 최상의 경험을 얻으려면 비디오 목차를 닫으십시오. 그림 모드를 사용하여 이 학습서의 태스크를 완료할 때 비디오를 따라갈 수 있습니다. 수행할 각 태스크의 시간소인을 클릭하십시오.

다음 애니메이션 이미지는 비디오 픽처 인 픽처 및 목차 기능을 사용하는 방법을 보여줍니다.

그림 및 장을 사용하는 방법

커뮤니티에서 도움 받기

이 학습서에 대한 도움이 필요한 경우 watsonx 커뮤니티 토론 포럼에서 질문하거나 응답을 찾을 수 있습니다.

브라우저 창 설정

이 튜토리얼을 완료하는 최적의 경험을 위해 한 브라우저 창에서 Cloud Pak for Data 를 열고 두 애플리케이션 간에 쉽게 전환할 수 있도록 다른 브라우저 창에서 이 튜토리얼 페이지를 열어 두십시오. 따라하기 쉽도록 두 개의 브라우저 창을 나란히 배열하는 것을 고려하십시오.

병행 학습서 및 UI

팁: 사용자 인터페이스에서 이 학습서를 완료하는 동안 안내식 둘러보기가 표시되면 나중에를 클릭하십시오.



태스크 1: 샘플 프로젝트 작성

학습서 비디오 미리보기 이 태스크를 미리보려면 00:58에서 시작하는 비디오를 보십시오.

이 학습서에서는 데이터 세트, 노트북 및 프롬프트 템플리트를 포함하는 샘플 프로젝트를 사용하여 분석을 수행합니다. 다음 단계에 따라 샘플을 기반으로 프로젝트를 작성하십시오.

  1. 자원 허브에서 재고 이상 항목 분석 프로젝트에 액세스하십시오.

    1. 프로젝트 작성을 클릭하십시오.

    2. 프로젝트 이름의 기본값을 승인하고 작성을 클릭하십시오.

    3. 프로젝트가 작성되면 새 프로젝트 보기 를 클릭하십시오.

  2. Watson Machine Learning 서비스를 프로젝트와 연관시키십시오.

    1. 프로젝트가 열리면 관리 탭을 클릭하고 서비스 및 통합 페이지를 선택하십시오.

    2. IBM 서비스 탭에서 연관을 클릭하십시오.

    3. Watson Machine Learning 인스턴스를 선택하십시오. Watson Machine Learning 서비스 인스턴스가 아직 프로비저닝되지 않은 경우 다음 단계를 수행하십시오.

      1. 새 서비스를 클릭하십시오.

      2. Watson Machine Learning을 선택하십시오.

      3. 작성을 클릭하십시오.

      4. 목록에서 새 서비스 인스턴스를 선택하십시오.

    4. 서비스 연관을 클릭하십시오.

    5. 필요한 경우 취소 를 클릭하여 서비스 및 통합 페이지로 돌아가십시오.

  3. 샘플 자산을 보려면 프로젝트에서 자산 탭을 클릭하십시오.

추가 정보나 동영상을 보려면 프로젝트 작성을 참조하십시오.

연관된 서비스에 대한 추가 정보는 연관된 서비스 추가를 참조하십시오.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 프로젝트 자산 탭을 표시합니다. 이제 훈련 데이터를 시각화할 준비가 되었습니다.

alt 텍스트




태스크 2: 데이터 시각화

학습서 비디오 미리보기 이 태스크를 미리 보려면 01:27에서 시작하는 비디오를 보십시오.

샘플 프로젝트의 세 데이터 세트에는 Yahoo! 금융 웹 사이트를 기반으로 합니다. 시계열 이상 항목 예측 모델에 대한 훈련 데이터는 구조화되고 순차적이어야 합니다. 이 경우 합성 데이터는 구조화되고 순차적입니다. 샘플 프로젝트에서 데이터 자산을 보려면 다음 단계를 수행하십시오.

  1. historical_data.csv 데이터 세트를 여십시오. 이 데이터 세트에는 2012년 5월부터 2016년 5월까지의 히스토리 주식 가격 실적이 포함되어 있습니다.
  2. 프로젝트의 자산 탭으로 돌아가서 test_data.csv 데이터 세트를 여십시오. 이 데이터 세트는 Q1 2023의 히스토리 주식 가격 성과를 포함합니다.
  3. 프로젝트의 자산 탭으로 돌아가서 training_data.csv 데이터 세트를 여십시오. 이 데이터 세트에는 2023년의 히스토리 주식 가격 성과가 포함되어 있습니다.
  4. 시각화 탭을 클릭하십시오.
    1. 날짜 열을 선택한 후 데이터 시각화를 클릭하십시오. 첫 번째 제안된 차트 유형인 히스토그램이 표시됩니다.
    2. 선형 차트 유형을 선택하십시오.
      1. X축에 대해 날짜 열을 선택하십시오.
      2. Y축에 대해 조정 닫기 열을 선택하십시오. 조정된 마감 가격을 날짜별로 표시합니다. 이상 항목 분석의 대상 열은 조정된 마감 가격입니다.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 training_data.csv 파일의 시각화를 표시합니다. 이제 이 훈련 데이터를 사용하여 모델을 작성할 준비가 되었습니다.

training_data.csv 파일의 시각화




태스크 3: 모델 훈련

학습서 비디오 미리보기 이 태스크를 미리 보려면 02:13에 시작하는 비디오를 보십시오.

AutoAI, SPSS Modeler또는 Jupyter 노트북과 같은 다양한 도구를 사용하여 모델을 훈련할 수 있습니다. 이 학습서에서는 AutoAI를 사용하여 시계열 분석 이상 항목 예측 모델을 훈련합니다. AutoAI 실험을 작성하려면 다음 단계를 수행하십시오.

  1. 프로젝트의 자산 탭으로 돌아가서 새 자산 > 자동으로 기계 학습 모델 빌드를 클릭하십시오.

  2. 자동으로 기계 학습 모델 빌드 페이지에서 이름을 입력하십시오.

    Stock anomaly experiment
    ```1. Confirm that the Machine Learning service instance that you associated with your project is selected in the *Watson Machine Learning Service Instance* field.
    
    
  3. 작성을 클릭하십시오.

  4. 데이터 소스 추가 페이지에서 훈련 데이터를 추가하십시오.

    1. 프로젝트에서 데이터 선택을 클릭하십시오.

    2. 데이터 자산 > training_data.csv를 선택하고 자산 선택을 클릭하십시오.

  5. 시계열 분석 설정을 설정하십시오.

    1. 시계열 실험을 작성하도록 요청하는 경우 를 선택하십시오.

    2. 이상 항목 예측을 선택하십시오.

  6. 기능 열에 대해 조정 닫기 를 선택하십시오.

  7. 실험 실행을 클릭하십시오. 모델이 훈련할 때 파이프라인 빌드 프로세스를 보여주는 인포그래픽이 표시됩니다.
    모델 파이프라인 빌드

    AutoAI에서 각 머신 러닝 기법에 사용할 수 있는 알고리즘 또는 평가자 목록은 다음을 참조하십시오. AutoAI 구현 상세.

  8. 실험 실행이 완료되면 리더보드에서 순위가 지정된 파이프라인을 보고 비교할 수 있습니다.

    파이프라인 리더보드

  9. 파이프라인 비교 를 클릭하여 차이점을 확인할 수 있습니다.

    파이프라인 비교 메트릭 차트

  10. 파이프라인 세부사항을 보려면 가장 높은 순위의 파이프라인을 클릭하십시오.

  11. 모델 평가 페이지를 검토하여 모델 성능에 대한 자세한 평가 메트릭을 확인하십시오.

    AutoAI 도구는 이상 항목을 발견하기 위해 광범위한 기준을 고려합니다. 테이블에서 각 이상 항목 유형에 대해 평균 정밀도ROC 아래 영역과 같은 다른 메트릭을 기반으로 하는 평가를 볼 수 있습니다.

    이상 항목 유형
    이상 항목 유형 설명
    추세 이상 항목 세그먼트 이전의 시계열과 비교하여 추세 변경이 있는 시계열의 세그먼트입니다.
    분산 이상 항목 시계열의 분산이 변경되는 시계열의 세그먼트입니다.
    현지화된 극단적 이상 항목 시계열에서 비정상적인 데이터 점으로, 주위의 데이터 점에서 상당히 벗어납니다.
    레벨 이동 이상 항목 시계열의 평균값이 변경되는 세그먼트입니다.
  12. 모델을 저장하십시오.

    1. 다른 이름으로 저장을 클릭하십시오.

    2. 모델을 선택하십시오.

    3. 모델 이름으로 다음을 입력하십시오.

      Anomaly Prediction Model
      
    4. 작성을 클릭하십시오. 그러면 파이프라인이 프로젝트에 모델로 저장됩니다.

  13. 모델이 저장되면 알림에서 프로젝트 보기 링크를 클릭하여 프로젝트의 모델을 보십시오. 또는 프로젝트의 자산 탭으로 이동하여 모델 섹션에서 모델 이름을 클릭할 수 있습니다.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 모델을 표시합니다.

다음 이미지는 모델을 표시합니다.




태스크 4: 모델 배치

학습서 비디오 미리보기 이 태스크를 미리 보려면 03:40에서 시작하는 비디오를 보십시오.

다음 태스크는 테스트 데이터 및 모델을 배치 영역으로 승격한 후 온라인 배치를 작성하는 것입니다.

태스크 4a: 테스트 데이터를 배치 영역으로 승격

샘플 프로젝트에는 테스트 데이터가 포함되어 있습니다. 해당 테스트 데이터를 배치 영역으로 승격하므로 테스트 데이터를 사용하여 배치된 모델을 테스트할 수 있습니다. 다음 단계에 따라 테스트 데이터를 배치 영역으로 승격시키십시오.

  1. 프로젝트의 자산 탭으로 돌아가십시오.

  2. test_data.csv 데이터 자산의 오버플로우 메뉴 오버플로우 메뉴 를 클릭하고 공간으로 승격을 선택하십시오.

  3. 기존 배치 영역을 선택하십시오. 배치 영역이 없는 경우:

    1. 새 배치 영역 작성을 클릭하십시오.

    2. 이름으로 다음을 입력하십시오.

      Anomaly Prediction Space
      
    3. 스토리지 서비스를 선택하십시오.

    4. 기계 학습 서비스를 선택하십시오.

    5. 작성을 클릭하십시오.

    6. 공간이 준비되면 알림을 닫으십시오.

  4. 목록에서 새 배치 영역을 선택하십시오.

  5. 승격을 클릭하십시오.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 공간으로 승격 페이지를 표시합니다.

다음 이미지는 공간으로 승격 페이지를 표시합니다.

태스크 4b: 모델을 배치 영역으로 승격

모델을 배치하기 전에 모델을 배치 영역으로 승격해야 합니다. 모델을 배치 영역으로 승격하려면 다음 단계를 수행하십시오.

  1. 자산 탭에서 이상 항목 예측 모델 모델의 오버플로우 메뉴 오버플로우 메뉴 를 클릭하고 공간으로 승격을 선택하십시오.

  2. 목록에서 동일한 배치 영역을 선택하십시오.

  3. 승격 후 공간의 모델로 이동 옵션을 선택하십시오.

  4. 승격을 클릭하십시오.

참고: 승격 후 영역의 모델로 이동하는 옵션을 선택하지 않은 경우 탐색 메뉴를 사용하여 배치 로 이동하여 배치 영역 및 모델을 선택할 수 있습니다.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 배치 영역의 모델을 표시합니다.

다음 이미지는 배치 영역의 모델을 표시합니다.

태스크 4c: 모델 배치 작성 및 테스트

이제 모델이 배치 영역에 있으므로 다음 단계에 따라 모델 배치를 작성하십시오.

  1. 모델이 열려 있는 상태에서 새 배치를 클릭하십시오.

    1. 배치 유형으로 온라인을 선택하십시오.

    2. 배치 이름으로 다음을 입력하십시오.

      Anomaly Prediction Model Deployment
      
    3. 작성을 클릭하십시오.

  2. 배치가 완료되면 배치 이름을 클릭하여 배치 세부사항 페이지를 보십시오.

  3. 애플리케이션에서 이 모델에 프로그래밍 방식으로 액세스하는 데 사용할 수 있는 스코어링 엔드포인트를 검토하십시오.

  4. 모델을 테스트하십시오.

    1. 테스트 탭을 클릭하십시오.

    2. 테스트 데이터를 찾으려면 공간에서 검색을 클릭하십시오.

    3. 데이터 자산 > test_data.csv를 선택하십시오.

    4. 확인을 클릭하십시오.

    5. 예측을 클릭하고 테스트 데이터에서 62개의 레코드에 대한 예측을 검토하십시오.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 배치된 모델의 테스트 결과를 표시합니다.

다음 이미지는 배치된 모델의 테스트 결과를 표시합니다.




태스크 5: 관련 뉴스 기사 수집

학습서 비디오 미리보기 이 태스크를 미리보려면 05:07에서 시작하는 비디오를 보십시오.

프롬프트 랩은 구조화된 텍스트 및 구조화되지 않은 텍스트에 대해 작업할 수 있지만 모델이 처리할 수 있는 올바른 데이터를 입력해야 합니다. 이 유스 케이스에서는 이상 항목 예측에서 얻은 이상 항목 날짜를 기반으로 뉴스 기사 텍스트를 처리해야 합니다. 외부 뉴스 API를 통합하여 해당 날짜 동안 관련 뉴스를 추출하여 데이터 수집 프로세스를 단순화할 수 있습니다. Python 코드를 사용하여 Jupyter 노트북에서 이를 수행할 수 있습니다.

기초 모델에는 단일 프롬프트 (컨텍스트 창이라고 함) 에서 처리할 수 있는 토큰 수에 대한 한계가 있으므로 이 한계 내에 맞게 데이터를 청크하거나 요약해야 할 수 있습니다. 이 단계에서는 입력 데이터가 기본 모델이 필수 정보를 유실하지 않고 효과적으로 처리할 수 있는 형식으로 되어 있는지 확인합니다.

노트북을 실행하려면 다음 단계를 수행하십시오.

  1. 탐색 메뉴 탐색 메뉴에서 프로젝트 > 모든 프로젝트 보기를 선택하십시오.
  2. 재고 이상 항목 분석 프로젝트를 여십시오.
  3. 자산 탭을 클릭하십시오.
  4. 뉴스 기사에서 추출 및 청크 텍스트 노트북에 대한 오버플로우 메뉴 오버플로우 메뉴 를 누르고 편집을 선택하십시오.
  5. 설정 섹션을 완료하십시오.
    1. 첫 번째 셀을 실행하여 라이브러리를 가져오십시오.
    2. 필요한 API키를 확보하십시오.
      1. 링크를 따라 TheNewsAPI에서 계정 및 API키를 작성하십시오.
      2. thenewsapi_key 변수에 API키를 붙여넣으십시오.
      3. 링크를 따라 ArticlExtractor에서 계정 및 API키를 작성하십시오.
      4. extract_key 변수에 API키를 붙여넣으십시오.
    3. 셀을 실행하여 두 개의 API키 변수를 설정하십시오.
  6. 뉴스 기사 URL을 가져오는 함수 정의 섹션에서 셀을 실행하십시오.
    • 첫 번째 셀은 TheNewsAPI의 최상위 스토리에서 데이터를 가져오고 관련 뉴스를 가져올 수 있도록 매개변수를 설정하는 함수를 정의합니다.
    • 두 번째 셀은 응답을 기반으로 URL 목록만 가져오는 함수를 정의합니다.
  7. 뉴스 텍스트를 추출하는 함수 정의 섹션에서 셀을 실행하십시오.
    • 첫 번째 셀은 ArticlExtractor API를 사용하여 특정 뉴스 URL에서 뉴스 텍스트를 추출하는 함수를 정의합니다.
    • 두 번째 셀은 TheNewsAPI에서 얻은 모든 기사 URL의 뉴스 텍스트를 결합하는 함수를 정의합니다.
  8. 뉴스 텍스트를 청크하는 함수 정의 섹션에서 셀을 실행하십시오. LLM 기반 모델이 텍스트에서 정보를 가져올 수 있는지 확인하려면 토큰이 컨텍스트 토큰 창 제한사항을 초과하지 않는지 확인해야 합니다. 이 예제에서는 뉴스 텍스트의 컨텍스트를 고려하여 문자 텍스트를 분할하기 위해 LangChain 을 사용하는 함수를 정의합니다.
  9. 함수 실행 섹션에서 셀을 실행하십시오. 응답에서 데이터의 최종 출력이 프롬프트 랩에 피드될 준비가 되었음을 확인할 수 있습니다. LangChain의 텍스트 분할기는 긴 텍스트를 시맨틱적으로 의미있는 청크 또는 문장으로 분할하고 처리할 전체 텍스트로 다시 결합합니다. 청크의 최대 크기를 조정할 수 있습니다.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 완료된 노트북을 표시합니다. 이제 기초 모델을 프롬프트하는 데 사용할 청크 텍스트가 있습니다.

완료된 노트북




태스크 6: 기초 모델 프롬프트

학습서 비디오 미리보기 이 태스크를 미리 보려면 07:17에서 시작하는 비디오를 보십시오.

관련 뉴스 기사가 적절하게 청크되었으므로 프롬프트 랩에서 사용자 고유의 프롬프트 템플리트를 구성하거나 샘플 프로젝트에서 샘플 프롬프트 템플리트를 사용할 수 있습니다. 샘플 프로젝트에는 요약 및 질문 응답 태스크를 위한 샘플 프롬프트 템플리트가 포함되어 있습니다. 다음 단계에 따라 Prompt Lab 에서 기본 모델을 프롬프트하십시오.

요약 태스크

  1. 프로젝트의 자산 탭으로 돌아가십시오.

  2. 뉴스 기사 요약 프롬프트 템플리트를 클릭하십시오. 그러면 프롬프트 랩에서 프롬프트 템플리트가 열립니다.

  3. 편집 을 클릭하여 편집 모드에서 프롬프트 템플리트를 여십시오.

    요약 태스크의 경우 청크된 뉴스 기사 텍스트를 입력 예제로 사용하고 주식 분석가가 일반적으로 예외를 출력 예제로 설명하기 위해 수동으로 기록한다는 점을 참고합니다. 이는 출력이 주식 분석가가 스스로 작성할 수 있는 것과 유사한지 확인하기 위한 것입니다.

  4. 요약 결과를 보려면 생성 을 클릭하십시오.

  5. 노트북에 있는 청크된 뉴스 기사의 다른 입력 및 출력 텍스트를 사용하여 실험하십시오.

질문 응답 태스크

  1. 프로젝트에서 저장된 프롬프트를 보려면 저장된 프롬프트 저장된 프롬프트 를 클릭하십시오.

  2. 저장된 프롬프트 목록에서 질문 응답 뉴스 기사 프롬프트 템플리트를 클릭하십시오.

  3. 편집 을 클릭하여 편집 모드에서 프롬프트 템플리트를 여십시오.

    질문에 응답하는 태스크의 경우 질문을 입력 예제로 사용하고 필요한 세부사항 레벨의 응답을 출력 예제로 사용합니다.

  4. 요약 결과를 보려면 생성 을 클릭하십시오.

  5. 다른 입력 및 출력 텍스트를 사용하여 실험하십시오.

모델 매개변수 조정

프롬프트 랩에서 디코딩 설정을 조정하여 특정 태스크에 대한 모델의 출력을 최적화할 수 있습니다.

  • 디코딩
    • 그리디: 항상 확률이 가장 높은 단어 선택
    • 샘플링: 단어 선택의 가변성 사용자 정의
  • 반복 페널티: 얼마나 많은 반복이 허용되는지
  • 중지 기준: 생성된 경우 텍스트 생성이 중지되도록 하는 하나 이상의 문자열

이 유연성은 높은 수준의 사용자 정의를 허용하여 모델이 태스크의 요구사항 및 제한조건에 가장 적합한 매개변수로 작동하도록 합니다.

프롬프트 랩에서 태스크가 모델의 운영 범위 내에 남아 있도록 토큰 제한사항을 설정할 수 있습니다. 이 설정은 응답의 포괄성과 모델의 기술적 제한사항의 균형을 맞추어 태스크의 효율적이고 효과적인 처리를 보장하는 데 도움이 됩니다.

체크포인트 아이콘 진행 상태 확인

다음 이미지는 프롬프트 랩을 표시합니다.

프롬프트 랩



다음 단계

프롬프트 노트북으로 실험

프롬프트 랩에서 작업을 노트북 형식으로 저장할 수 있습니다.

  1. 저장된 프롬프트 템플리트를 로드하십시오.
  2. 작업 저장 > 다른 이름으로 저장을 클릭하십시오.
  3. 노트북을 선택하십시오.
  4. 이름을 입력하십시오.
  5. 저장을 클릭한 후 프롬프트 노트북을 탐색하십시오.
  6. 다른 프롬프트 템플리트에 대해 이 단계를 반복하십시오.

기초 모델 조정

기초 모델을 튜닝하여 프롬프트 엔지니어링과 비교하여 모델 성능을 향상시키거나 더 큰 모델과 유사하게 수행되는 더 작은 모델을 배치하여 비용을 줄일 수 있습니다. 기본 모델 조정 학습서를 참조하십시오.

추가 자원

상위 주제: 빠른 시작 학습서

일반적인 AI 검색 및 응답
이러한 응답은 제품 문서의 컨텐츠를 기반으로 하는 watsonx.ai 의 대형 언어 모델에 의해 생성됩니다. 자세히 알아보기