Translation not up to date
IBM watsonx.ai to studio zintegrowanych narzędzi do pracy z generatywnymi możliwościami sztucznej inteligencji, które są oparte na modelach podstawowych i do budowania modeli uczenia maszynowego. IBM watsonx.ai to bezpieczne środowisko pracy grupowej, w którym można uzyskiwać dostęp do zaufanych danych organizacji, automatyzować procesy AI i dostarczać sztuczną inteligencję w aplikacjach.
Obejrzyj ten krótki film wideo przedstawiający plik watsonx.ai.
Szukasz watsonx.data? Przejdź do dokumentacji produktuIBM watsonx.data.
Korzystając z pliku IBM watsonx.ai:
- Budowanie modeli uczenia maszynowego
- Buduj modele, korzystając ze środowisk Open Source i opartych na kodzie, zautomatyzowanych lub wizualnych narzędzi do analityki danych.
- Eksperyment z modelami bazowymi
- Pytania testowe służą do generowania, klasyfikowania, podsumowywania lub wyodrębniania treści z tekstu wejściowego. Wybierz modele IBM lub modele Open Source z serwisu Hugging Face.
- Zarządzanie cyklem życia sztucznej inteligencji
- Zarządzaj pełnym cyklem życia modelu AI i automatyzuj go za pomocą wszystkich zintegrowanych narzędzi i środowisk wykonawczych, aby trenować, sprawdzać poprawność i wdrażać modele AI.
Plik Watsonx.ai udostępnia następujące narzędzia do pracy z danymi i modelami:
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Data Refinery | Uzyskiwanie dostępu do danych z różnych połączeń ze źródłami danych i ich precyzowanie. Zmaterializuj wynikowe zestawy danych jako obrazy stanu w czasie, które mogą łączyć, łączyć lub filtrować dane dla innych analityków danych w celu ich analizy i eksploracji. |
Dane należy zwizualizować, aby je ukształtować lub oczyścić. Chcesz uprościć proces przygotowywania dużych ilości danych surowych do analizy. |
| Laboratorium pytań | Eksperymentuj z modelami IBM i modelami Open Source, wprowadzając pytania. | Chcesz zaprojektować pytania dotyczące generacyjnego rozwiązania AI. |
| AutoAI | Opcja AutoAI służy do automatycznego wybierania algorytmów, funkcji inżynierów, generowania kandydatów do potoku i trenowania kandydatów do potoku modelu uczenia maszynowego. Następnie należy ocenić porangowane potoki i zapisać najlepsze jako modele. Wdróż wytrenowane modele w obszarze lub wyeksportuj potok trenowania modeli z obszaru AutoAI do notatnika, aby go doprecyzować. |
Potrzebujesz zaawansowanego i zautomatyzowanego sposobu na szybkie utworzenie dobrego zestawu rurociągów treningowych i modeli uczenia maszynowego. Użytkownik chce mieć możliwość eksportowania wygenerowanych potoków w celu ich doprecyzowania. |
| Notebooki i skrypty | Podpowiadane modele podstawowe z biblioteką Python . Użyj notatników i skryptów, aby napisać własny kod do inżynierii funkcji, uczenia modelu i ewaluacji w języku Python lub R. Użyj zestawów danych treningowych, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowa pamięć masowa. Kod z ulubionymi środowiskami i bibliotekami Open Source. |
Chcesz wykorzystać umiejętności programowania w języku Python lub R, aby mieć pełną kontrolę nad kodem, który jest używany do pracy z modelami. |
| przepływySPSS Modeler | Przepływy SPSS Modeler umożliwiają tworzenie własnych przepływów uczenia modelu uczenia maszynowego, ewaluacji i oceniania. Użyj zestawów danych treningowych, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowa pamięć masowa. | Potrzebujesz prostego sposobu na eksplorację danych i definiowanie uczenia modelu uczenia maszynowego, ewaluacji i przepływów oceniania. |
| RStudio | Analizuj dane oraz buduj i testuj modele uczenia maszynowego, pracując z R w RStudio. | Chcesz użyć środowiska programistycznego do pracy w języku R. |
| Decision Optimization | Przygotuj dane, zaimportuj modele, rozwiąż problemy i porównaj scenariusze, zwizualizuj dane, znajdź rozwiązania, utwórz raporty i zapisz modele do wdrożenia za pomocą rozwiązania Watson Machine Learning. | Musisz ocenić miliony możliwości, aby znaleźć najlepsze rozwiązanie problemu z analizą preskryptywną. |
| Stowarzyszona nauka | Wytrenuj wspólny model uczenia maszynowego, który wykorzystuje dane rozproszone. | Model uczenia maszynowego należy trenować bez przenoszenia, łączenia lub współużytkowania danych, które są rozproszone w wielu lokalizacjach. |
| Watson Pipelines | Za pomocą potoków można tworzyć powtarzalne i zaplanowane przepływy, które automatyzują potoki notatników, Data Refineryi uczenia maszynowego, od przyjmowania danych do uczenia modelowego, testowania i wdrażania. | Chcesz zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps. |
| Synthetic Data Generator | Generowanie syntetycznych danych tabelarycznych na podstawie danych produkcyjnych lub niestandardowego schematu danych z wykorzystaniem przepływów wizualnych i algorytmów modelowania. | Użytkownik chce zamaskować lub naśladować dane produkcyjne lub wygenerować dane syntetyczne na podstawie niestandardowego schematu danych. |
Bezpieczeństwo i prywatność danych i modeli
Praca nad watsonx.ai, w tym dane i modele, które tworzysz, są prywatne dla Twojego konta:
- Twoje dane są dostępne tylko dla Ciebie. Dane są używane do trenowania tylko modeli. Dane nie będą nigdy dostępne ani używane przez IBM ani przez żadną inną osobę lub organizację. Dane są przechowywane w dedykowanych zasobnikach pamięci masowej z instancji usługi IBM Cloud Object Storage . Dane są szyfrowane w spoczynku i w ruchu.
- Tworzone modele są dostępne tylko dla użytkownika. Modele nigdy nie będą dostępne ani używane przez IBM ani przez żadną inną osobę lub organizację. Modele są zabezpieczone w taki sam sposób, jak dane.
Dowiedz się więcej o bezpieczeństwie i dostępnych opcjach:
Architektura bazowa
Produkt Watsonx zawiera następujące funkcje, które stanowią bezpieczną i skalowalną podstawę efektywnej współpracy organizacji:
- Sprzęt i oprogramowanie
- Produkt Watsonx jest w pełni zarządzany przez produkt IBM na platformie IBM Cloud. Aktualizacje oprogramowania są automatyczne. Skalowanie zasobów obliczeniowych i pamięci masowej jest automatyczne.
- Pamięć masowa
- Instancja usługi IBM Cloud Object Storage jest automatycznie udostępniana w celu udostępnienia pamięci masowej.
- Zasoby obliczeniowe
- Można wybrać odpowiednie środowisko wykonawcze dla zadań. Wykorzystanie zasobów obliczeniowych jest fakturowane na podstawie stawki dla środowiska wykonawczego i jego aktywnego czasu trwania.
- Bezpieczeństwo, zgodność i izolacja
- IBM Cloudzarządza bezpieczeństwem danych, bezpieczeństwem sieci, zgodnością ze standardami bezpieczeństwa i izolacją usługi watsonx . Istnieje możliwość skonfigurowania dodatkowych opcji zabezpieczeń i szyfrowania.
- Zarządzanie kontami użytkowników
- Za pomocą programu IBM Cloud Identity and Access Managementmożna dodawać użytkowników i grupy użytkowników oraz zarządzać ich rolami kont i uprawnieniami. Role są przypisywane w każdym grupowym obszarze roboczym na całej platformie.
- Wyszukiwanie globalne
- Zasoby można wyszukiwać na całej platformie.
- Współużytkowane połączenia ze źródłami danych
- W Platform assets catalogmożna współużytkować połączenia z innymi osobami na całej platformie.
- Przykłady
- Możesz eksperymentować z zestawami danych przykładowych, notatnikami, projektami i modelami IBM.
Produkt Watsonx.ai na platformie watsonx zawiera usługi Watson Studio i Watson Machine Learning .
Obszary robocze i zasoby
Produkt Watsonx jest zorganizowany jako zestaw grupowych obszarów roboczych, w których można pracować z zespołem lub organizacją. Każdy obszar roboczy zawiera zestaw członków z rolami, które zapewniają uprawnienia do wykonywania działań. Większość użytkowników pracuje z zasobami, które są elementami dodawanymi przez użytkowników do platformy. Zasoby danych zawierają metadane, które reprezentują dane, podczas gdy zasoby utworzone w narzędziach, takich jak modele, uruchamiają kod do pracy z danymi. Użytkownik buduje zasoby aplikacyjne w projektach i zarządza wdrażaniem ukończonych zasobów aplikacyjnych w obszarach wdrażania.
Projekty i narzędzia
Projekty to miejsca, w których zespoły analityki danych i konstruktora modeli pracują z danymi w celu tworzenia zasobów, takich jak zapisane pytania, notatniki, modele lub potoki. Pierwszy projekt, który jest nazywany projektem środowiska testowego, jest tworzony automatycznie podczas rejestrowania się w pliku watsonx.ai.
Na poniższym obrazku przedstawiono, jak może wyglądać strona Przegląd projektu.
Obszary wdrażania
Obszary wdrażania to miejsca, w których zespół ModelOps wdraża modele i inne możliwe do wdrożenia zasoby aplikacyjne w środowisku produkcyjnym, a następnie testuje i zarządza wdrożeniami w środowisku produkcyjnym. Po zbudowaniu modeli i możliwych do wdrożenia zasobów aplikacyjnych w projektach należy awansować je do obszarów wdrażania.
Na poniższym obrazku przedstawiono, jak może wyglądać strona Przegląd obszaru wdrażania.
Przykłady
Platforma zawiera zintegrowany zbiór przykładów udostępniających modele, zasoby danych, pytania, notatniki i przykładowe projekty. Przykładowe notatniki zawierają przykłady analityki danych i kodu uczenia maszynowego. Przykładowe projekty zawierają zestawy danych, modeli, innych zasobów aplikacyjnych oraz szczegółowe instrukcje dotyczące rozwiązywania konkretnych problemów biznesowych.
Na poniższym obrazku przedstawiono wygląd przykładów.
