Panoramica di IBM watsonx as a Service

Torna alla versione inglese della documentazione

IBM watsonx.ai è uno studio di strumenti integrati per lavorare con funzionalità AI generative basate su modelli di base e per creare modelli di machine learning. Il componente IBM watsonx.ai fornisce un ambiente sicuro e collaborativo dove puoi accedere ai dati attendibili della tua organizzazione, automatizzare i processi AI e fornire l'AI nelle tue applicazioni. Il componente IBM watsonx.governance fornisce il monitoraggio end-to-end per il machine learning e i modelli AI generativi per accelerare i flussi di lavoro AI responsabili, trasparenti e spiegabili.

Guarda questo breve video che introduce watsonx.ai.

Stai cercando watsonx.data? Vai alla documentazione diIBM watsonx.data.

Puoi raggiungere i seguenti obiettivi con watsonx:

Crea modelli di machine learning: Crea modelli utilizzando framework open source e strumenti di data science basati sul codice, automatizzati o visivi.
Prova i modelli di base: Sottoporre a test i prompt per generare, classificare, riepilogare o estrarre il contenuto dal testo di input. Scegliere tra i modelli IBM o i modelli open source di Hugging Face.
Gestire il ciclo di vita AI: Gestire e automatizzare l'intero ciclo di vita del modello AI con tutti gli strumenti e i runtime integrati per addestrare, convalidare e distribuire i modelli AI.
Gestire AI: Tenere traccia e documentare la cronologia dettagliata dei modelli AI per garantire la conformità.

Watsonx.ai fornisce questi strumenti per gestire dati e modelli:

Strumenti per l'utilizzo di dati e modelli
Cosa è possibile utilizzare	Cosa puoi fare tu	Migliore da utilizzare quando
Data Refinery	Accedere e perfezionare i dati da diverse connessioni di origini dati. Materializzare i dataset risultanti come istantanee nel tempo che potrebbero combinare, unire o filtrare i dati per altri data scientist da analizzare ed esplorare.	È necessario visualizzare i dati quando si desidera modellarli o ripulirli. Si desidera semplificare il processo di preparazione di grandi quantità di dati non elaborati per l'analisi.
Lab prompt	Prova IBM e i modelli di base open source inserendo i prompt.	Si desidera creare dei prompt per la soluzione AI generativa.
Ottimizzazione di Studio	Personalizzare l'output restituito da un modello di base per soddisfare al meglio le esigenze.	Si desidera regolare gli output del modello di base per l'utilizzo nella propria soluzione AI generativa.
AutoAI	Utilizza AutoAI per selezionare automaticamente gli algoritmi, progettare le funzioni, generare i candidati della pipeline e preparare i candidati della pipeline del modello di machine learning. Quindi, valutare le pipeline classificate e salvare i modelli migliori. Distribuisci i modelli sottoposti a training in uno spazio o esporta la pipeline di addestramento del modello che ti piace da AutoAI in un notebook per perfezionarlo.	Si desidera un modo avanzato e automatizzato per creare rapidamente una buona serie di pipeline di formazione e modelli di machine learning. Si desidera poter esportare le pipeline generate per perfezionarle.
Notebook e script	Richiedi modelli di base con la libreria Python . Utilizzare i notebook e gli script per scrivere il proprio codice di valutazione, addestramento del modello e progettazione di funzioni in Python o R. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni alle origini dati come database, laghi di dati o archiviazione oggetti. Codice con le librerie e i framework open source preferiti.	Vuoi utilizzare le capacità di codifica Python o R per avere il controllo completo sul codice che utilizzi per gestire i modelli.
Flussi SPSS Modeler	Utilizzare i flussi SPSS Modeler per creare i propri flussi di calcolo del punteggio, valutazione e addestramento del modello di machine learning. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni alle origini dati come database, laghi di dati o archiviazione oggetti.	Si desidera un modo semplice per esplorare i dati e definire i flussi di calcolo del punteggio, valutazione e addestramento del modello di machine learning.
RStudio	Analizzare i dati e creare e testare i modelli di machine learning utilizzando R in RStudio.	Si desidera utilizzare un ambiente di sviluppo per lavorare in R.
Decision Optimization	Prepara dati, importa modelli, risolvi problemi e confronta scenari, visualizza dati, trova soluzioni, produci report e salva modelli da distribuire con Watson Machine Learning.	È necessario valutare milioni di possibilità per trovare la soluzione migliore per un problema di analitica prescrittiva.
Apprendimento federato	Formare un modello di machine learning comune che utilizza i dati distribuiti.	Devi addestrare un modello di machine learning senza spostare, combinare o condividere i dati distribuiti in più ubicazioni.
Watson Pipelines	Utilizza le pipeline per creare flussi ripetibili e pianificate che automatizzano le pipeline di notebook, Data Refinerye di machine learning, dall'inserimento dei dati alla formazione, test e distribuzione del modello.	Si desidera automatizzare alcuni o tutti i passi in un flusso MLOps.
Synthetic Data Generator	Generare dati tabulari sintetici basati su dati di produzione o uno schema di dati personalizzato utilizzando flussi visivi e algoritmi di modellazione.	Si desidera mascherare o imitare i dati di produzione o si desidera generare dati sintetici da uno schema dati personalizzato.

Watsonx.governance fornisce questi strumenti per gestire i modelli.

Strumenti per la gestione dei modelli
Cosa è possibile utilizzare	Cosa puoi fare tu	Migliore da utilizzare quando
Fogli informativi	Visualizzare lo stato del ciclo di vita del modello, i dettagli generali del modello e della distribuzione, le informazioni di formazione e le metriche di distribuzione.	Si desidera verificare che il modello sia conforme e che funzioni come previsto.
Watson OpenScale	Monitorare l'output del modello e spiegare le previsioni del modello.	È necessario mantenere i modelli corretti ed essere in grado di spiegare le previsioni del modello.

Sicurezza e privacy dei tuoi dati e modelli

Il tuo lavoro su watsonx, inclusi i dati e i modelli che crei, è privato per il tuo account:

I tuoi dati sono accessibili solo da te. I tuoi dati vengono utilizzati per addestrare solo i modelli. I tuoi dati non saranno mai accessibili o utilizzati da IBM o da qualsiasi altra persona o organizzazione. I tuoi dati vengono archiviati in bucket di archiviazione dedicati dalla tua istanza del servizio IBM Cloud Object Storage . I dati sono crittografati a riposo e in movimento.
I modelli creati sono accessibili solo dall'utente. I tuoi modelli non saranno mai accessibili o utilizzati da IBM o da qualsiasi altra persona o organizzazione. I modelli sono protetti allo stesso modo dei propri dati.

Ulteriori informazioni sulla sicurezza e le opzioni:

Architettura sottostante

Watsonx include le seguenti funzionalità come base sicura e scalabile per la tua organizzazione per collaborare in modo efficace:

Software e hardware: Watsonx è completamente gestito da IBM su IBM Cloud. Gli aggiornamenti software sono automatici. Il ridimensionamento delle risorse di elaborazione e dell'archiviazione è automatico.
Archiviazione: Viene eseguito automaticamente il provisioning di una istanza di servizio IBM Cloud Object Storage per fornirti l'archiviazione.
Risorse di calcolo: È possibile scegliere il runtime appropriato per i propri lavori. L'utilizzo delle risorse di calcolo viene fatturato in base al tasso per l'ambiente di runtime e la durata attiva.
Sicurezza, conformità e isolamento: La sicurezza dei dati, la sicurezza della rete, la conformità degli standard di protezione e l'isolamento di watsonx sono gestiti da IBM Cloud. È possibile impostare ulteriori opzioni di sicurezza e crittografia.
Gestione degli utenti: Puoi aggiungere utenti e gruppi di utenti e gestire i loro ruoli e autorizzazioni dell'account con IBM Cloud Identity and Access Management. I ruoli vengono assegnati all'interno di ogni spazio di collaborazione nella piattaforma.
Ricerca globale: È possibile ricercare gli asset nella piattaforma.
Connessioni condivise alle origini dati: Puoi condividere le connessioni con altri utenti nella piattaforma nel Platform assets catalog.
Esempi: Puoi provare con IBM-curated sample data sets, notebooks, projects e models.

Watsonx.ai sulla piattaforma watsonx include i servizi Watson Studio, Watson Machine Learninge IBM Cloud Object Storage . Watsonx.governance sulla piattaforma watsonx include il servizio watsonx.governance .

Spazi di lavoro e asset

Watsonx è organizzato come una serie di spazi di lavoro collaborativi in cui puoi lavorare con il tuo team o la tua organizzazione. Ogni workspace dispone di una serie di membri con ruoli che forniscono le autorizzazioni per eseguire azioni. La maggior parte degli utenti lavora con gli asset, che sono gli elementi che gli utenti aggiungono alla piattaforma. Gli asset di dati contengono metadati che rappresentano i dati, mentre gli asset creati negli strumenti, come i modelli, eseguono il codice per gestire i dati. Creare asset nei progetti e gestire la distribuzione degli asset completati negli spazi di distribuzione.

Progetti e strumenti

I progetti sono il luogo in cui i team di data science e di builder del modello lavorano con i dati per creare asset, come, ad esempio, prompt salvati, notebook, modelli o pipeline. Il primo progetto, noto come progetto sandbox, viene creato automaticamente quando ti registri a watsonx.ai.

La seguente immagine mostra l'aspetto della pagina Panoramica di un progetto.

Pagina Panoramica per un progetto

Spazi di distribuzione

Gli spazi di distribuzione sono il luogo in cui il tuo team ModelOps distribuisce i modelli e altri asset distribuibili alla produzione e quindi verifica e gestisce le distribuzioni in produzione. Dopo aver creato modelli e asset distribuibili nei progetti, li si promuove agli spazi di distribuzione.

La seguente immagine mostra come potrebbe essere la pagina Panoramica di uno spazio di distribuzione.

Pagina Panoramica per uno spazio di distribuzione

Esempi

La piattaforma include una raccolta integrata di esempi che forniscono modelli, asset di dati, prompt, notebook e progetti campione. I notebook di esempio forniscono esempi di data science e codice di machine learning. I progetti di esempio contengono serie di dati, modelli, altri asset e istruzioni dettagliate su come risolvere un particolare problema di business.

La seguente immagine mostra l'aspetto degli esempi.

Pagina Esempi