Présentation d' IBM watsonx.ai
IBM watsonx.ai est un studio d'outils intégrés permettant de travailler avec des capacités d'IA génératives qui sont basées sur des modèles de base et de générer des modèles d'apprentissage automatique. IBM watsonx.ai fournit un environnement sécurisé et collaboratif dans lequel vous pouvez accéder aux données sécurisées de votre organisation, automatiser les processus d'IA et distribuer l'IA dans vos applications.
Regardez cette courte vidéo qui présente watsonx.ai.
Vous recherchez watsonx.data? Accédez à la documentationIBM watsonx.data.
Vous pouvez atteindre les objectifs suivants avec IBM watsonx.ai:
- Génération de modèles d'apprentissage automatique
- Générez des modèles en utilisant des infrastructures open source et des outils de science des données visuelles, automatisées ou basées sur le code.
- Expérimentation avec des modèles de base
- Testez les invites pour générer, classifier, récapituler ou extraire du contenu à partir de votre texte d'entrée. Choisissez parmi les modèles IBM ou les modèles open source de Hugging Face.
- Gérer le cycle de vie de l'IA
- Gérez et automatisez le cycle de vie complet du modèle d'IA avec tous les outils et les environnements d'exécution intégrés pour entraîner, valider et déployer des modèles d'IA.
Watsonx.ai fournit les outils suivants pour l'utilisation des données et des modèles:
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Data Refinery | Accédez aux données de différentes connexions de sources de données et affinez-les. Materialiser les ensembles de données obtenus en tant qu'instantanés dans le temps pouvant combiner, joindre ou filtrer des données à analyser et à explorer par d'autres spécialistes des données. |
Vous devez visualiser les données lorsque vous souhaitez les mettre en forme ou les nettoyer. Vous souhaitez simplifier le processus de préparation de grandes quantités de données brutes pour l'analyse. |
| Laboratoire d'invites | Testez IBM et les modèles de base open source en entrant des invites. | Vous souhaitez concevoir des invites pour votre solution d'IA générative. |
| AutoAI | Utilisez AutoAI pour sélectionner automatiquement des algorithmes, concevoir des fonctions, générer des candidats de pipeline et entraîner des candidats de pipeline de modèle d'apprentissage automatique. Ensuite, évaluez les pipelines classés et enregistrez les meilleurs en tant que modèles. Déployez les modèles entraînés dans un espace ou exportez le pipeline d'entraînement de modèle que vous aimez depuis AutoAI dans un bloc-notes pour l'affiner. |
Vous voulez une méthode avancée et automatisée pour créer rapidement un bon ensemble de pipelines d'entraînement et de modèles d'apprentissage automatique. Vous souhaitez pouvoir exporter les pipelines générés pour les affiner. |
| Blocs-notes et scripts | Modèles de base d'invite avec la bibliothèque Python . Utilisez des blocs-notes et des scripts pour écrire votre propre code d'ingénierie de fonction, d'entraînement de modèle et d'évaluation dans Python ou R. Utilisez des ensembles de données d'entraînement disponibles dans le projet ou des connexions à des sources de données telles que des bases de données, des lacs de données ou un stockage d'objets. Codez avec vos infrastructures et bibliothèques open source favorites. |
Vous souhaitez utiliser des compétences de codage Python ou R pour avoir un contrôle total sur le code que vous utilisez pour travailler avec des modèles. |
| Flux SPSS Modeler | Utilisez les flux SPSS Modeler pour créer vos propres flux d'entraînement, d'évaluation et d'évaluation de modèle d'apprentissage automatique. Utilisez des ensembles de données d'entraînement disponibles dans le projet ou des connexions à des sources de données telles que des bases de données, des lacs de données ou un stockage d'objets. | Vous voulez un moyen simple d'explorer les données et de définir des flux d'entraînement, d'évaluation et d'évaluation du modèle d'apprentissage automatique. |
| RStudio | Analysez les données et générez et testez des modèles d'apprentissage automatique en utilisant R dans RStudio. | Vous souhaitez utiliser un environnement de développement pour travailler dans R. |
| Decision Optimization | Préparez des données, importez des modèles, résolvez des problèmes et comparez des scénarios, visualisez des données, trouvez des solutions, générez des rapports et sauvegardez des modèles à déployer avec Watson Machine Learning. | Vous devez évaluer des millions de possibilités pour trouver la meilleure solution à un problème d'analyse prescriptive. |
| Apprentissage fédéré | Entraînez un modèle d'apprentissage automatique commun qui utilise des données réparties. | Vous devez entraîner un modèle d'apprentissage automatique sans déplacer, combiner ou partager des données réparties sur plusieurs emplacements. |
| Watson Pipelines | Utilisez des pipelines pour créer des flux reproductibles et planifiés qui automatisent les blocs-notes, Data Refineryet les pipelines d'apprentissage automatique, de l'ingestion de données à l'entraînement, au test et au déploiement de modèles. | Vous souhaitez automatiser certaines ou toutes les étapes d'un flux MLOps. |
| Synthetic Data Generator | Générez des données tabulaires synthétiques basées sur des données de production ou un schéma de données personnalisées à l'aide de flux visuels et d'algorithmes de modélisation. | Vous souhaitez masquer ou imiter les données de production ou générer des données synthétiques à partir d'un schéma de données personnalisé. |
Sécurité et confidentialité de vos données et modèles
Votre travail sur watsonx.ai, y compris vos données et les modèles que vous créez, est privé pour votre compte:
- Vos données sont accessibles uniquement par vous. Vos données sont utilisées pour entraîner uniquement vos modèles. Vos données ne seront jamais accessibles ou utilisées par IBM ou toute autre personne ou organisation. Vos données sont stockées dans des compartiments de stockage dédiés à partir de votre instance de service IBM Cloud Object Storage . Les données sont chiffrées au repos et en mouvement.
- Les modèles que vous créez ne sont accessibles que par vous. Vos modèles ne seront jamais accessibles ou utilisés par IBM ou toute autre personne ou organisation. Vos modèles sont sécurisés de la même manière que vos données.
En savoir plus sur la sécurité et vos options:
Architecture sous-jacente
Watsonx inclut les fonctionnalités suivantes en tant que base sécurisée et évolutive permettant à votre organisation de collaborer efficacement:
- Logiciels et matériel
- Watsonx est entièrement géré par IBM sur IBM Cloud. Les mises à jour logicielles sont automatiques. La mise à l'échelle des ressources de traitement et du stockage est automatique.
- Stockage
- Une instance de service IBM Cloud Object Storage est automatiquement mise à disposition pour vous permettre de fournir du stockage.
- Ressource de calcul
- Vous pouvez choisir l'environnement d'exécution approprié pour vos travaux. L'utilisation des ressources de calcul est facturée en fonction du taux de l'environnement d'exécution et de sa durée active.
- Sécurité, conformité et isolation
- La sécurité des données, la sécurité du réseau, la conformité aux normes de sécurité et l'isolement de watsonx sont gérés par IBM Cloud. Vous pouvez configurer des options de sécurité et de chiffrement supplémentaires.
- Gestion des utilisateurs
- Vous pouvez ajouter des utilisateurs et des groupes d'utilisateurs et gérer leurs rôles et leurs droits d'accès avec IBM Cloud Identity and Access Management. Vous affectez des rôles dans chaque espace de travail collaboratif sur la plateforme.
- Recherche globale
- Vous pouvez rechercher des actifs sur la plateforme.
- Connexions partagées aux sources de données
- Vous pouvez partager des connexions avec d'autres utilisateurs sur la plateforme dans le Platform assets catalog.
- Echantillons
- Vous pouvez expérimenter avec des exemples de fichiers, des blocs-notes, des projets et des modèles IBM.
Watsonx.ai sur la plateforme watsonx inclut les services Watson Studio et Watson Machine Learning .
Espaces de travail et actifs
Watsonx est organisé sous la forme d'un ensemble d'espaces de travail collaboratifs dans lesquels vous pouvez travailler avec votre équipe ou votre organisation. Chaque espace de travail dispose d'un ensemble de membres dont les rôles fournissent les droits d'exécution des actions. La plupart des utilisateurs utilisent des actifs, qui sont les éléments que les utilisateurs ajoutent à la plateforme. Les actifs de données contiennent des métadonnées qui représentent des données, tandis que les actifs que vous créez dans des outils, tels que des modèles, exécutent du code pour utiliser des données. Vous générez des actifs dans des projets et gérez le déploiement des actifs terminés dans des espaces de déploiement.
Projets et outils
Les projets sont l'endroit où vos équipes de science des données et de génération de modèles travaillent avec des données pour créer des actifs, tels que des invites sauvegardées, des blocs-notes, des modèles ou des pipelines. Votre premier projet, appelé votre projet de bac à sable, est créé automatiquement lorsque vous vous inscrivez à watsonx.ai.
L'image suivante montre à quoi ressemble la page Aperçu d'un projet.
Espaces de déploiement
Les espaces de déploiement sont l'endroit où votre équipe ModelOps déploie des modèles et d'autres actifs déployables en production, puis teste et gère les déploiements en production. Après avoir généré des modèles et des actifs déployables dans des projets, vous les promouvez dans des espaces de déploiement.
L'image suivante montre à quoi ressemble la page Aperçu d'un espace de déploiement.
Echantillons
La plateforme inclut une collection intégrée d'exemples qui fournit des modèles, des actifs de données, des invites, des blocs-notes et des exemples de projets. Des exemples de blocs-notes fournissent des exemples de code de la science des données et de l'apprentissage automatique. Les exemples de projets contiennent des ensembles de données, des modèles, d'autres actifs et des instructions détaillées sur la manière de résoudre un problème métier particulier.
L'image suivante montre à quoi ressemblent les exemples.
