빠른 시작: watsonx.ai 엔드-투-엔드 유스 케이스 시도

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.

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.

이 태스크를 미리 보려면 02:13에 시작하는 비디오를 보십시오.

등 다양한 도구를 사용할 수 있습니다. AutoAI, SPSS Modeler, 또는 Jupyter 노트북을 사용하여 모델을 학습합니다. 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
   

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 예 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.
   

   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.

   

9. 파이프라인 비교 를 클릭하여 차이점을 확인할 수 있습니다.

   

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 정밀도 및 ROC 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.

이 태스크를 미리 보려면 03:40에서 시작하는 비디오를 보십시오.

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

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 에서 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 를 누르고 편집을 선택하십시오.
5. 설정 섹션을 완료하십시오.
   1. 첫 번째 셀에 대해 실행 아이콘 을 클릭하여 라이브러리를 가져오십시오.
   2. 필요한 API키를 확보하십시오.
      1. 링크를 따라가면 계정과 API 키를 생성할 수 있습니다. TheNewsAPI.
      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 데이터를 가져오는 함수를 정의합니다. TheNewsAPI's 관련 뉴스를 얻을 수 있도록 주요 뉴스를 확인하고 매개변수를 설정하세요.
   • 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 다음에서 얻은 모든 기사 URL의 뉴스 텍스트를 결합하는 기능을 정의합니다. TheNewsAPI.
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. LangChain’s 텍스트 분할기는 긴 텍스트를 의미상 의미 있는 덩어리 또는 문장으로 분할하고 처리할 전체 텍스트로 다시 결합합니다. 청크의 최대 크기를 조정할 수 있습니다.

이 태스크를 미리보려면 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.