Visión general de IBM watsonx as a Service
IBM watsonx.ai es un estudio de herramientas integradas para trabajar con prestaciones de IA generativa basadas en modelos básicos y para crear modelos de aprendizaje automático. El componente IBM watsonx.ai proporciona un entorno seguro y colaborativo donde puede acceder a los datos de confianza de su organización, automatizar los procesos de IA y entregar IA en sus aplicaciones. El componente IBM watsonx.governance proporciona una supervisión integral para el aprendizaje automático y los modelos de IA generativa para acelerar los flujos de trabajo de IA responsables, transparentes y explicables.
Vea este breve vídeo que presenta watsonx.ai.
¿Está buscando watsonx.data? Vaya a la documentación deIBM watsonx.data.
Puede lograr los siguientes objetivos con watsonx:
- Cree modelos de aprendizaje automático
- Cree modelos utilizando infraestructuras de código abierto y herramientas de ciencia de datos basadas en código, automatizadas o visuales.
- Experimente con modelos de base
- Solicitudes de prueba para generar, clasificar, resumir o extraer contenido del texto de entrada. Elija entre modelos de IBM o modelos de código abierto de Hugging Face.
- Gestionar el ciclo de vida de IA
- Gestione y automatice el ciclo de vida completo del modelo de IA con todas las herramientas integradas y los tiempos de ejecución para entrenar, validar y desplegar modelos de IA.
- Gobernar IA
- Realice un seguimiento y documente el historial detallado de los modelos de IA para garantizar la conformidad.
Watsonx.ai proporciona estas herramientas para trabajar con datos y modelos:
Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
---|---|---|
Data Refinery | Acceda y refine los datos de diversas conexiones de orígenes de datos. Materializar los conjuntos de datos resultantes como instantáneas en el tiempo que pueden combinar, unir o filtrar datos para que otros científicos de datos los analicen y exploren. |
Es necesario visualizar los datos cuando desee darle forma o limpiarlos. Desea simplificar el proceso de preparación de grandes cantidades de datos en bruto para el análisis. |
Prompt Lab | Experimente con IBM y modelos de base de código abierto introduciendo solicitudes. | Desea diseñar solicitudes para su solución de IA generativa. |
Estudio de ajuste | Adapte la salida que devuelve un modelo de base para satisfacer mejor sus necesidades. | Desea ajustar las salidas del modelo de base para su uso en la solución de IA generativa. |
AutoAI | Utilice AutoAI para seleccionar automáticamente algoritmos, diseñar características, generar candidatos de interconexión y entrenar candidatos de interconexión de modelo de aprendizaje automático. A continuación, evalúe las interconexiones clasificadas y guarde las mejores como modelos. Despliegue los modelos entrenados en un espacio o exporte el conducto de entrenamiento de modelos que desee de AutoAI en un cuaderno para refinarlo. |
Desea una forma avanzada y automatizada de crear rápidamente un buen conjunto de conductos de entrenamiento y modelos de aprendizaje automático. Desea poder exportar los conductos generados para refinarlos. |
Cuadernos y scripts | Solicitar modelos de base con la biblioteca Python . Utilice cuadernos y scripts para escribir su propia ingeniería de características, entrenamiento de modelos y código de evaluación en Python o R. Utilice conjuntos de datos de entrenamiento disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos. Código con sus infraestructuras y bibliotecas de código abierto favoritas. |
Desea utilizar las habilidades de codificación Python o R para tener un control completo sobre el código que utiliza para trabajar con modelos. |
Flujos de SPSS Modeler | Utilice los flujos de SPSS Modeler para crear sus propios flujos de entrenamiento, evaluación y puntuación de modelos de aprendizaje automático. Utilice conjuntos de datos de entrenamiento disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos. | Desea una forma sencilla de explorar los datos y definir flujos de entrenamiento, evaluación y puntuación de modelos de aprendizaje automático. |
RStudio | Analice datos y cree y pruebe modelos de aprendizaje automático trabajando con R en RStudio. | Desea utilizar un entorno de desarrollo para trabajar en R. |
Decision Optimization | Prepare datos, importe modelos, resuelva problemas y compare escenarios, visualice datos, busque soluciones, genere informes y guarde modelos para desplegarlos con Watson Machine Learning. | Necesita evaluar millones de posibilidades para encontrar la mejor solución a un problema de analítica prescriptiva. |
Aprendizaje federado | Entrene un modelo de aprendizaje automático común que utilice datos distribuidos. | Es necesario entrenar un modelo de aprendizaje automático sin mover, combinar o compartir datos que se distribuyen entre varias ubicaciones. |
Watson Pipelines | Utilice pipelines para crear flujos repetibles y planificados que automatizan cuadernos, Data Refineryy conductos de aprendizaje automático, desde la ingestión de datos hasta el entrenamiento, la prueba y el despliegue de modelos. | Desea automatizar algunos o todos los pasos de un flujo MLOps. |
Synthetic Data Generator | Generar datos tabulares sintéticos basados en datos de producción o un esquema de datos personalizado utilizando flujos visuales y algoritmos de modelado. | Desea enmascarar o imitar datos de producción o desea generar datos sintéticos a partir de un esquema de datos personalizado. |
Watsonx.governance proporciona estas herramientas para los modelos de gobierno.
Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
---|---|---|
Hojas de datos | Ver el estado del ciclo de vida del modelo, detalles generales del modelo y el despliegue, información de entrenamiento y métricas, y métricas de despliegue. | Desea asegurarse de que el modelo sea compatible y tenga el rendimiento esperado. |
Watson OpenScale | Supervise la salida del modelo y explique las predicciones del modelo. | Debe mantener los modelos justos y ser capaz de explicar las predicciones de los modelos. |
Seguridad y privacidad de sus datos y modelos
Su trabajo en watsonx, incluidos los datos y los modelos que cree, son privados para su cuenta:
- Los datos son accesibles únicamente por usted. Los datos se utilizan para entrenar sólo los modelos. Los datos nunca serán accesibles ni utilizados por IBM ni por ninguna otra persona u organización. Los datos se almacenan en grupos de almacenamiento dedicados de la instancia de servicio de IBM Cloud Object Storage . Los datos se cifran en reposo y en movimiento.
- Sólo usted puede acceder a los modelos que cree. Los modelos nunca serán accesibles ni utilizados por IBM ni por ninguna otra persona u organización. Los modelos están protegidos de la misma forma que los datos.
Obtenga más información sobre la seguridad y sus opciones:
Arquitectura subyacente
Watsonx incluye la siguiente funcionalidad como base segura y escalable para que su organización colabore de forma eficiente:
- Software y hardware
- Watsonx está totalmente gestionado por IBM en IBM Cloud. Las actualizaciones de software son automáticas. El escalado de recursos de cálculo y almacenamiento es automático.
- Almacenamiento
- Se suministra automáticamente una instancia de servicio de IBM Cloud Object Storage para que proporcione almacenamiento.
- Recursos de cálculo
- Puede elegir el tiempo de ejecución adecuado para los trabajos. El uso de recursos de cálculo se factura en función de la tarifa para el entorno de ejecución y su duración activa.
- Seguridad, cumplimiento y aislamiento
- La seguridad de datos, la seguridad de red, la conformidad con los estándares de seguridad y el aislamiento de watsonx están gestionados por IBM Cloud. Puede configurar opciones de seguridad y cifrado adicionales.
- Gestión de usuarios
- Puede añadir usuarios y grupos de usuarios y gestionar sus roles y permisos de cuenta con IBM Cloud Identity and Access Management. Puede asignar roles dentro de cada espacio de trabajo colaborativo en la plataforma.
- Búsqueda global
- Puede buscar activos en toda la plataforma.
- Conexiones compartidas con orígenes de datos
- Puede compartir conexiones con otros en la plataforma en el Platform assets catalog.
- Ejemplos
- Puede experimentar con conjuntos de datos de ejemplo, cuadernos, proyectos y modelos organizados por IBM.
Watsonx.ai en la plataforma watsonx incluye los servicios Watson Studio, Watson Machine Learninge IBM Cloud Object Storage . Watsonx.governance en la plataforma watsonx incluye el servicio watsonx.governance .
Espacios de trabajo y activos
Watsonx se organiza como un conjunto de espacios de trabajo colaborativos donde puede trabajar con su equipo u organización. Cada espacio de trabajo tiene un conjunto de miembros con roles que proporcionan permisos para realizar acciones. La mayoría de los usuarios trabajan con activos, que son los elementos que los usuarios añaden a la plataforma. Los activos de datos contienen metadatos que representan datos, mientras que los activos que crea en herramientas, como modelos, ejecutan código para trabajar con datos. Puede crear activos en proyectos y gestionar el despliegue de activos completados en espacios de despliegue.
Proyectos y herramientas
Los proyectos son donde los equipos de generación de modelos y ciencia de datos trabajan con datos para crear activos, como por ejemplo, solicitudes guardadas, cuadernos, modelos o conductos. El primer proyecto, que se conoce como proyecto de recinto de pruebas, se crea automáticamente cuando se registra en watsonx.ai.
La imagen siguiente muestra el aspecto que podría tener la página Visión general de un proyecto.
Espacios de despliegue
Los espacios de despliegue son donde el equipo de ModelOps despliega modelos y otros activos desplegables en producción y, a continuación, prueba y gestiona los despliegues en producción. Después de crear modelos y activos desplegables en proyectos, puede promocionarlos a espacios de despliegue.
La imagen siguiente muestra el aspecto que podría tener la página Visión general de un espacio de despliegue.
Ejemplos
La plataforma incluye una colección integrada de ejemplos que proporciona modelos, activos de datos, solicitudes, cuadernos y proyectos de ejemplo. Los cuadernos de ejemplo proporcionan ejemplos de ciencia de datos y código de aprendizaje automático. Los proyectos de ejemplo contienen conjuntos de datos, modelos, otros activos e instrucciones detalladas sobre cómo resolver un problema empresarial determinado.
La imagen siguiente muestra el aspecto de los ejemplos.
- Vea una visita guiada de la colección de ejemplos
Más información
- Conexiones soportadas
- Tipos de activos y propiedades
- Atlas de riesgo de IA
- Su proyecto de recinto de seguridad
- Espacios de despliegue
- Modelos base
- Biblioteca Python de modelos base
- Comparación de IBM watsonx as a Service y Cloud Pak for Data as a Service
- Diferencias de características entre despliegues de watsonx
- Documentación deIBM watsonx.data