Guías de aprendizaje de inicio rápido
Realice guías de aprendizaje de inicio rápido para aprender a realizar tareas específicas como, por ejemplo, refinar datos o crear un modelo. Estas guías de aprendizaje le ayudan a aprender rápidamente a realizar una tarea específica o un conjunto de tareas relacionadas.
¿Buscas vídeos? Visite la videoteca para ver muchas tareas comunes en watsonx.
Después de completar estas guías de aprendizaje, consulte la sección Otros recursos de aprendizaje para continuar con el aprendizaje.
Las guías de aprendizaje de inicio rápido se clasifican por tarea:
- Preparación de datos
- Análisis y visualización de datos
- Creación, despliegue y confianza de modelos
- Trabajar con IA generativa
- Gobierno de IA
Cada guía de aprendizaje requiere una o más instancias de servicio. Algunos servicios se incluyen en varias guías de aprendizaje. Las guías de aprendizaje se agrupan por tarea. Puede empezar con cualquier tarea. Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales.
Las etiquetas de cada guía de aprendizaje describen el nivel de experiencia (, o ) y la cantidad de codificación necesaria (, o ).
Preparación de datos
Para empezar a preparar, transformar e integrar datos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar en la plataforma.
El flujo de trabajo de preparación de los datos incluye estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Añada datos al proyecto. Puede añadir archivos de datos del sistema local, datos de un origen de datos remoto al que se conecta o datos de ejemplo del concentrador de recursos.
Seleccione una herramienta para analizar los datos. Cada una de las guías de aprendizaje describe una herramienta.
Ejecute o planifique un trabajo para preparar los datos.
Guías de aprendizaje para preparar datos
Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y los recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Refinar y visualizar datos con Data Refinery | Preparar y visualizar datos tabulares con un editor de flujo gráfico. | Seleccione operaciones para manipular datos. |
| Generar datos tabulares sintéticos | Generar datos tabulares sintéticos utilizando un editor de flujo gráfico. | Seleccione operaciones para generar datos. |
Análisis y visualización de datos
Para empezar a analizar y visualizar datos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar con otras herramientas.
El flujo de trabajo de análisis y visualización de datos tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Añada datos al proyecto. Puede añadir archivos de datos del sistema local, datos de un origen de datos remoto al que se conecta o datos de ejemplo del concentrador de recursos.
Seleccione una herramienta para analizar los datos. Cada una de las guías de aprendizaje describe una herramienta.
Guías de aprendizaje para analizar y visualizar datos
Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y los recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Analizar datos en un cuaderno de Jupyter | Cargar datos, ejecutar y compartir un cuaderno. | Comprender el código Python generado. |
| Refinar y visualizar datos con Data Refinery | Preparar y visualizar datos tabulares con un editor de flujo gráfico. | Seleccione operaciones para manipular datos. |
Creación, despliegue y confianza de modelos
Para empezar a crear, desplegar y confiar en modelos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar en la plataforma.
Las diferentes etapas implicadas en el ciclo de vida de IA son las siguientes:
- Definir ámbito: empiece definiendo el ámbito del proyecto identificando los objetivos y requisitos clave.
- Preparar datos: recopilar y preparar datos para utilizarlos con algoritmos de aprendizaje automático.
- Crear modelo: Desarrollar y refinar el modelo de IA para resolver el problema definido entrenando el modelo con datos preparados.
- Desplegar modelo: despliegue el modelo en producción una vez completado el proceso de creación.
- Automatizar conducto: Automatizar el camino a la producción automatizando partes del ciclo de vida de IA.
- Supervisar el rendimiento: Evalúe el rendimiento del modelo para obtener equidad, calidad, desviación y explicabilidad.
El diagrama siguiente muestra las etapas del ciclo de vida de IA:
Su flujo de trabajo para crear, implementar y confiar en modelos tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Elija una herramienta para crear, implementar y confiar en modelos. Cada una de las guías de aprendizaje describe una herramienta.
Guías de aprendizaje para crear, desplegar y confiar en modelos
Cada guía de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Crear y desplegar un modelo de aprendizaje automático con AutoAI | Crear automáticamente candidatos de modelo con la herramienta AutoAI. | Crear, desplegar y probar un modelo sin codificación. |
| Crear y desplegar un modelo de aprendizaje automático en un cuaderno | Construye un modelo actualizando y ejecutando un bloc de notas que utilice código Python y las API de tiempo de ejecución de watsonx.ai. | Cree, despliegue y pruebe un modelo scikit-learn que utiliza código Python . |
| Crear y desplegar un modelo de aprendizaje automático con SPSS Modeler | Cree un modelo C5.0 que utilice la herramienta SPSS Modeler . | Soltar datos y nodos de operación en un lienzo y seleccionar propiedades. |
| Crear y desplegar un modelo de Decision Optimization | Crear escenarios automáticamente con Modeling Assistant. | Resuelva y explore escenarios y, a continuación, despliegue y pruebe un modelo sin codificación. |
| Automatizar el ciclo de vida de un modelo con interconexiones | Cree y ejecute un conducto para automatizar la creación y el despliegue de un modelo de aprendizaje automático. | Suelte los nodos de operación en un lienzo y seleccione las propiedades. |
| Evaluar un modelo de aprendizaje automático | Despliegue un modelo, configure supervisores para el modelo desplegado y evalúe el modelo. | Ejecute un cuaderno para configurar los modelos y utilice Watson OpenScale para evaluar. |
Cómo trabajar con IA generativa
Para empezar a trabajar con IA generativa, comprenda el flujo de trabajo general, elija un tutorial y consulte otros recursos de aprendizaje para trabajar en la plataforma.
El flujo de trabajo de ingeniería de solicitud tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Elija una herramienta para solicitar modelos de fundación. Cada una de las guías de aprendizaje describe una herramienta.
Guarde y comparta sus mejores solicitudes.
Guías de aprendizaje para trabajar con IA generativa
Cada guía de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Solicitar a una modelo de fondo que utilice Prompt Lab | Experimente con la solicitud de diferentes modelos de base, explore las solicitudes de ejemplo y guarde y comparta sus mejores solicitudes. | Prompt a model using Prompt Lab without coding. |
| Solicitar un modelo de base con el patrón de generación aumentado por recuperación | Solicite un modelo de base aprovechando la información de una base de conocimientos. | Utilice el patrón de generación de recuperación aumentada en un cuaderno Jupyter que utilice el código Python . |
| Ajustar un modelo de base | Ajustar un modelo de base para mejorar el rendimiento del modelo. | Utilizar elTuning Studio para ajustar un modelo sin codificación. |
| Tutorial de extremo a extremo watsonx.ai | Construya su modelo utilizando cualquiera de las herramientas, como AutoAI, SPSS Modeler, o los cuadernos Jupyter, y a continuación despliegue y pruebe su modelo. Además, transforme sus datos y ajuste su modelo de base utilizando watsonx.ai. |
Gobierno de la inteligencia artificial
Para empezar a gobernar la IA, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar en la plataforma.
Su flujo de trabajo de gobierno de IA tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Elija una herramienta para gobernar la IA. Cada una de las guías de aprendizaje describe una herramienta.
Guías de aprendizaje para gobernar la inteligencia artificial
Cada guía de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Evaluar y realizar el seguimiento de una plantilla de solicitud | Evaluar una plantilla de aviso para medir el rendimiento del modelo de base y realizar un seguimiento de la plantilla de aviso a lo largo de su ciclo de vida. | Utilice la herramienta de evaluación y un caso de uso de IA para realizar un seguimiento de la plantilla de solicitud. |
| Comparar el rendimiento puntual | Evalúe y compare sus activos de IA generativa con métricas cuantitativas y criterios personalizables que se adapten a sus casos de uso. | Utilice el Estudio de evaluación para evaluar el rendimiento de varios activos simultáneamente. |
| Evaluar un modelo de aprendizaje automático | Despliegue un modelo, configure supervisores para el modelo desplegado y evalúe el modelo Watson OpenScale. | Ejecute un cuaderno para configurar los supervisores y utilice Watson OpenScale para evaluar. |
| Evaluar un despliegue en espacios | Despliegue un modelo, configure supervisores para el modelo desplegado y evalúe el modelo en un espacio de despliegue. | Configure los supervisores y evalúe un modelo en un espacio de despliegue. |
Otros recursos de aprendizaje
Tutoriales guiados
Acceda al proyecto de ejemplo Construir un modelo de IA para seguir un tutorial guiado en el Centro de recursos. Después de crear el proyecto de ejemplo, el archivo léame proporciona instrucciones:
- Elija Explorar y preparar datos para eliminar anomalías en los datos con Data Refinery.
- Elija Crear un modelo en un cuaderno para crear un modelo con el código Python.
- Elija Crear y desplegar un modelo para automatizar la creación de un modelo con la herramienta AutoAI.
Vea esta serie de vídeos para ver cómo trabajar con los activos del proyecto de ejemplo.
Tema general
Preparación de datos
Análisis y visualización de datos
Creación, despliegue y confianza de modelos
Cómo trabajar con IA generativa
Gobierno de la inteligencia artificial
Vídeos
- Un completo conjunto de vídeos que muestran muchas tareas comunes en watsonx.
Ejemplos
Busque conjuntos de datos de ejemplo, proyectos, modelos, solicitudes y cuadernos en el área Concentrador de recursos para obtener experiencia práctica:
Cuadernos que puede añadir a su proyecto para empezar a analizar datos y crear modelos.
Proyectos que puede importar y que contienen cuadernos, conjuntos de datos, indicaciones y otros activos.
Conjuntos de datos que puede añadir a su proyecto para perfeccionar, analizar y crear modelos.
Mensajes que puede utilizar en el Prompt Lab para solicitar un modelo de base.
Modelos de base que puede utilizar en el e Prompt Lab.
Ejemplos de casos de uso
Pruebe diferentes casos de uso en un sitio de autoservicio. Seleccione un caso de uso para experimentar una aplicación en directo creada con watsonx. Los desarrolladores, acceden a la selección de solicitudes y a la guía de construcción, junto con el código de aplicación de ejemplo, para acelerar el proyecto.
Los aceleradores de soluciones de IA proporcionan proyectos de muestra con soluciones de IA integrales que resuelven problemas empresariales específicos.
Tema principal: Cómo empezar