0 / 0
Zurück zur englischen Version der Dokumentation
Übersicht über IBM watsonx as a Service

Übersicht über IBM watsonx as a Service

IBM watsonx.ai ist ein Studio mit integrierten Tools für die Arbeit mit generativen KI-Funktionen, die auf Basismodellen basieren, und für die Erstellung von Modellen für maschinelles Lernen. Die IBM watsonx.ai -Komponente bietet eine sichere und interaktive Umgebung, in der Sie auf vertrauenswürdige Daten Ihres Unternehmens zugreifen, KI-Prozesse automatisieren und KI in Ihren Anwendungen bereitstellen können. Die Komponente IBM watsonx.governance stellt eine End-to-End-Überwachung für Modelle für maschinelles Lernen und generative KI-Modelle zur Beschleunigung verantwortungsvoller, transparenter und erklärbarer KI-Workflows bereit.

Dieses kurze Video enthält eine Einführung in watsonx.ai.

Suchen Sie nach watsonx.data? Rufen Sie die Dokumentation zuIBM watsonx.dataauf.

Mit watsonxkönnen Sie folgende Ziele erreichen:

Modelle für maschinelles Lernen erstellen
Erstellen Sie Modelle mithilfe von Open-Source-Frameworks und codebasierten, automatisierten oder visuellen Data-Science-Tools.
Mit Basismodellen experimentieren
Testaufforderungen zum Generieren, Klassifizieren, Zusammenfassen oder Extrahieren von Inhalt aus Ihrem Eingabetext. Wählen Sie aus IBM Modellen oder Open-Source-Modellen von Hugging Face.
KI-Lebenszyklus verwalten
Verwalten und automatisieren Sie den gesamten Lebenszyklus des KI-Modells mit allen integrierten Tools und Laufzeiten, um KI-Modelle zu trainieren, zu validieren und bereitzustellen.
KI regulieren
Verfolgen und dokumentieren Sie den detaillierten Verlauf von KI-Modellen, um Compliance sicherzustellen.

Watsonx.ai bietet die folgenden Tools für die Arbeit mit Daten und Modellen:

Tools zum Arbeiten mit Daten und Modellen
Was Sie verwenden können Aktion Am besten zu verwenden, wenn
Data Refinery Greifen Sie auf Daten aus verschiedenen Datenquellenverbindungen zu und verfeinern Sie sie.

Materialisieren Sie die resultierenden Datasets als Momentaufnahmen, die Daten kombinieren, verknüpfen oder filtern können, damit andere Data-Scientists sie analysieren und untersuchen können.
Sie müssen die Daten visualisieren, wenn Sie sie formen oder bereinigen möchten.

Sie möchten den Prozess der Vorbereitung großer Mengen von Rohdaten für die Analyse vereinfachen.
Prompt Lab Experimentieren Sie mit IBM und Open-Source-Basismodellen, indem Sie Eingabeaufforderungen eingeben. Sie möchten Eingabeaufforderungen für Ihre generative KI-Lösung entwickeln.
Optimierungsstudio Passen Sie die Ausgabe, die ein Basismodell zurückgibt, an Ihre Anforderungen an. Sie möchten Basismodellausgaben für die Verwendung in Ihrer generativen KI-Lösung anpassen.
AutoAI Verwenden Sie AutoAI , um Algorithmen automatisch auszuwählen, Funktionen zu entwickeln, Pipelinekandidaten zu generieren und Pipelinekandidaten für Modelle für maschinelles Lernen zu trainieren.

Bewerten Sie dann die eingestuften Pipelines und speichern Sie die besten als Modelle.

Stellen Sie die trainierten Modelle in einem Bereich bereit oder exportieren Sie die Modelltrainingspipeline, die Ihnen gefällt, aus AutoAI in ein Notebook, um sie zu optimieren.
Sie möchten eine erweiterte und automatisierte Methode zum schnellen Erstellen einer guten Gruppe von Trainingspipelines und Modellen für maschinelles Lernen.

Sie möchten in der Lage sein, die generierten Pipelines zu exportieren, um sie zu optimieren.
Notebooks und Scripts Eingabeaufforderungsbasismodelle mit der Bibliothek Python .

Verwenden Sie Notebooks und Scripts, um eigenen Code für Feature-Engineering, Modelltraining und Evaluierung in Python oder R zu schreiben. Verwenden Sie im Projekt verfügbare Trainingsdatasets oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher.

Code mit Ihren bevorzugten Open-Source-Frameworks und -Bibliotheken.
Sie möchten Python -oder R-Codierungskenntnisse verwenden, um die vollständige Kontrolle über den Code zu haben, den Sie für die Arbeit mit Modellen verwenden.
SPSS Modeler-Datenflüsse Verwenden Sie SPSS Modeler -Abläufe, um eigene Trainings-, Evaluierungs-und Scoring-Abläufe für Modelle für maschinelles Lernen zu erstellen. Verwenden Sie im Projekt verfügbare Trainingsdatasets oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher. Sie wollen eine einfache Methode zum Untersuchen von Daten und zum Definieren von Trainings-, Bewertungs-und Scoring-Abläufen für Modelle für maschinelles Lernen.
RStudio Analysieren Sie Daten und erstellen und testen Sie Modelle für maschinelles Lernen, indem Sie mit R in RStudio arbeiten. Sie möchten eine Entwicklungsumgebung für die Arbeit in R verwenden.
Decision Optimization Mit Watson Machine Learningkönnen Sie Daten vorbereiten, Modelle importieren, Probleme lösen und Szenarien vergleichen, Daten visualisieren, Lösungen finden, Berichte erstellen und Modelle speichern, um sie bereitzustellen. Sie müssen Millionen von Möglichkeiten bewerten, um die beste Lösung für ein präskriptives Analyseproblem zu finden.
Federated Learning Trainieren Sie ein allgemeines Modell für maschinelles Lernen, das verteilte Daten verwendet. Sie müssen ein Modell für maschinelles Lernen trainieren, ohne Daten zu verschieben, zu kombinieren oder gemeinsam zu nutzen, die über mehrere Standorte verteilt sind.
Watson Pipelines Verwenden Sie Pipelines, um wiederholt anwendbare und geplante Abläufe zu erstellen, die Notebooks, Data Refineryund Pipelines für maschinelles Lernen automatisieren, von der Datenaufnahme bis hin zu Modelltraining, -tests und -bereitstellung. Sie möchten einige oder alle Schritte in einem MLOps-Ablauf automatisieren.
Synthetic Data Generator Generieren Sie synthetische Tabellendaten auf der Basis von Produktionsdaten oder eines angepassten Datenschemas mithilfe visueller Abläufe und Modellierungsalgorithmen. Sie möchten Produktionsdaten maskieren oder nachahmen oder synthetische Daten aus einem angepassten Datenschema generieren.

Watsonx.governance stellt diese Tools für Regulierungsmodelle bereit.

Tools für Governance-Modelle
Was Sie verwenden können Aktion Am besten zu verwenden, wenn
Factsheets Modelllebenszyklusstatus, allgemeine Modell-und Bereitstellungsdetails, Trainingsinformationen und -metriken sowie Bereitstellungsmetriken anzeigen. Sie möchten sicherstellen, dass Ihr Modell konform ist und wie erwartet funktioniert.
Watson OpenScale Modellausgabe überwachen und Modellvorhersagen erläutern. Sie müssen Ihre Modelle fair halten und in der Lage sein, Modellvorhersagen zu erklären.

Sicherheit und Datenschutz Ihrer Daten und Modelle

Ihre Arbeit an watsonx, einschließlich Ihrer Daten und der von Ihnen erstellten Modelle, ist für Ihr Konto privat:

  • Ihre Daten sind nur für Sie zugänglich. Ihre Daten werden nur zum Trainieren Ihrer Modelle verwendet. Ihre Daten werden von IBM oder einer anderen Person oder Organisation nie zugänglich gemacht oder verwendet. Ihre Daten werden in dedizierten Speicherbuckets aus Ihrer IBM Cloud Object Storage -Serviceinstanz gespeichert. Die Daten werden im Ruhezustand und während der Übertragung verschlüsselt.
  • Die Modelle, die Sie erstellen, sind nur für Sie zugänglich. Auf Ihre Modelle kann IBM oder eine andere Person oder Organisation nie zugreifen oder sie verwenden. Ihre Modelle werden auf dieselbe Weise geschützt wie Ihre Daten.

Erfahren Sie mehr über Sicherheit und Ihre Optionen:

Zugrunde liegende Architektur

Watsonx bietet die folgende Funktionalität als sichere und skalierbare Grundlage für eine effiziente Zusammenarbeit in Ihrem Unternehmen:

Software und Hardware
Watsonx wird vollständig von IBM in IBM Cloudverwaltet. Softwareaktualisierungen werden automatisch durchgeführt. Die Skalierung von Rechenressourcen und Speicher erfolgt automatisch.
Speicher
Eine IBM Cloud Object Storage -Serviceinstanz wird automatisch für Sie bereitgestellt, um Speicher bereitzustellen.
Rechenressourcen
Sie können die entsprechende Laufzeit für Ihre Jobs auswählen. Die Nutzung von Rechenressourcen wird basierend auf dem Tarif für die Laufzeitumgebung und ihrer aktiven Dauer in Rechnung gestellt.
Sicherheit, Compliance und Isolation
Datensicherheit, Netzsicherheit, Einhaltung von Sicherheitsstandards und Isolation von watsonx werden von IBM Cloudverwaltet. Sie können zusätzliche Sicherheits- und Verschlüsselungsoptionen einrichten.
Benutzermanagement
Sie fügen Benutzer und Benutzergruppen hinzu und verwalten die zugehörigen Kontorollen und -berechtigungen mit IBM Cloud Identity and Access Management. Sie weisen Rollen in jedem Arbeitsbereich mit Onlinezusammenarbeit plattformübergreifend zu.
Globale Suche
Sie können plattformübergreifend nach Assets suchen.
Gemeinsam genutzte Verbindungen zu Datenquellen
Sie können Verbindungen mit anderen auf der gesamten Plattform im Platform assets cataloggemeinsam nutzen.
Beispiele
Sie können mit IBMkuratierten Beispieldatasets, Notebooks, Projekten und Modellen experimentieren.

Watsonx.ai auf der Plattform watsonx umfasst die Services Watson Studio, Watson Machine Learningund IBM Cloud Object Storage . Watsonx.governance auf der Plattform watsonx umfasst den Service watsonx.governance .

Arbeitsbereiche und Assets

Watsonx ist als Gruppe von Arbeitsbereichen mit Onlinezusammenarbeit organisiert, in denen Sie mit Ihrem Team oder Ihrer Organisation arbeiten können. Jeder Arbeitsbereich hat eine Gruppe von Mitgliedern mit Rollen, die Berechtigungen zum Ausführen von Aktionen bereitstellen. Die meisten Benutzer arbeiten mit Assets. Dies sind die Elemente, die Benutzer zur Plattform hinzufügen. Datenassets enthalten Metadaten, die Daten darstellen, während Assets, die Sie in Tools wie Modellen erstellen, Code ausführen, um mit Daten zu arbeiten. Sie erstellen Assets in Projekten und verwalten die Implementierung abgeschlossener Assets in Bereitstellungsbereichen.

Projekte und Tools

In Projekten arbeiten Ihre Data-Science-und Model Builder-Teams mit Daten, um Assets zu erstellen, z. B. gespeicherte Eingabeaufforderungen, Notebooks, Modelle oder Pipelines. Ihr erstes Projekt, das als Sandboxprojekt bezeichnet wird, wird automatisch erstellt, wenn Sie sich für watsonx.airegistrieren.

Die folgende Abbildung zeigt, wie die Seite Übersicht eines Projekts aussehen könnte.

Übersichtsseite für ein Projekt

Einsatzbereiche

Bereitstellungsbereiche sind Bereiche, in denen Ihr ModelOps -Team Modelle und andere bereitstellbare Assets in der Produktion bereitstellt und dann Bereitstellungen in der Produktion testet und verwaltet. Nachdem Sie Modelle und implementierbare Assets in Projekten erstellt haben, stufen Sie sie in Bereitstellungsbereiche hoch.

Die folgende Abbildung zeigt, wie die Seite Übersicht eines Bereitstellungsbereichs aussehen könnte.

Übersichtsseite für einen Bereitstellungsbereich

Beispiele

Die Plattform enthält eine integrierte Sammlung von Beispielen, die Modelle, Datenassets, Eingabeaufforderungen, Notebooks und Beispielprojekte bereitstellt. Beispielnotebooks enthalten Beispiele mit Code für Data-Science und maschinelles Lernen. Beispielprojekte enthalten Datensätze, Modelle, andere Assets und detaillierte Anweisungen zur Lösung eines bestimmten Geschäftsproblems.

Die folgende Abbildung zeigt, wie Beispiele aussehen.

Seite 'Beispiele'

Weitere Informationen

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen