Utilizzare le esercitazioni di avvio rapido per informazioni su come eseguire attività specifiche, come perfezionare i dati o creare un modello. Queste esercitazioni consentono di apprendere rapidamente come eseguire una specifica attività o una serie di attività correlate.
Le esercitazioni di avvio rapido sono categorizzate per attività:
- Preparazione dati
- Analisi e visualizzazione dei dati
- Creazione, distribuzione e affidabilità dei modelli
- Utilizzo dell'intelligenza artificiale generativa
- AI di gestione
Ogni esercitazione richiede una o più istanze del servizio. Alcuni servizi sono inclusi in più esercitazioni. Le esercitazioni sono raggruppate per attività. È possibile iniziare con qualsiasi attività. Ognuna di queste esercitazioni fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento.
I tag per ogni esercitazione descrivono il livello di esperienza (, o ) e la quantità di codifica richiesta (, o ).
Dopo aver completato queste esercitazioni, consulta la sezione Altre risorse di apprendimento per continuare il tuo apprendimento.
Preparazione dati
Per iniziare a preparare, trasformare e integrare i dati, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare sulla piattaforma.
Il flusso di lavoro di preparazione dei dati prevede le seguenti operazioni di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Aggiungere i dati al progetto. È possibile aggiungere file di dati dal sistema locale, dati da un'origine dati remota a cui ci si connette o dati di esempio dall'hub di risorse.
Scegli un tool per analizzare i tuoi dati. Ogni esercitazione descrive uno strumento.
Eseguire o pianificare un lavoro per preparare i dati.
Esercitazioni per la preparazione dei dati
Ciascuna di queste esercitazioni fornisce una descrizione dello strumento, un video, istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Perfezionamento e visualizzazione dei dati con Data Refinery | Preparare e visualizzare i dati tabulari con un editor di flusso grafico. | Selezionare le operazioni per manipolare i dati. |
| Genera dati tabulari sintetici | Generare dati tabulari sintetici utilizzando un editor di flusso grafico. | Selezionare le operazioni per generare i dati. |
Analisi e visualizzazione dei dati
Per iniziare con l'analizzare e visualizzare i dati, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare con altri strumenti.
Il flusso di lavoro di analisi e visualizzazione dei dati prevede i seguenti passi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Aggiungere i dati al progetto. È possibile aggiungere file di dati dal sistema locale, dati da un'origine dati remota a cui ci si connette o dati di esempio dall'hub di risorse.
Scegli un tool per analizzare i tuoi dati. Ogni esercitazione descrive uno strumento.
Esercitazioni per l'analisi e la visualizzazione dei dati
Ciascuna di queste esercitazioni fornisce una descrizione dello strumento, un video, istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Analizzare i dati in un notebook Jupyter | Caricare i dati, eseguire e condividere un notebook. | Comprendere il codice Python generato. |
| Perfezionamento e visualizzazione dei dati con Data Refinery | Preparare e visualizzare i dati tabulari con un editor di flusso grafico. | Selezionare le operazioni per manipolare i dati. |
Creazione, distribuzione e attendibilità di modelli
Per iniziare a creare, distribuire e rendere affidabili i modelli, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare sulla piattaforma.
Le diverse fasi coinvolte nel ciclo di vita dell'IA sono le seguenti:
- Definisci ambito: iniziare definendo l'ambito del proprio progetto identificando gli obiettivi e requisiti chiave.
- Preparazione dati: raccogliere e preparare i dati da utilizzare con gli algoritmi di machine learning.
- Crea modello: sviluppa e perfeziona il modello AI per risolvere il problema definito addestrando il modello con i dati preparati.
- Distribuisci modello: distribuire il modello alla produzione una volta completato il processo di creazione.
- Automatizza pipeline: automatizza il processo di produzione automatizzando parti del ciclo di vita AI.
- Monitoraggio delle prestazioni: valutare le prestazioni del modello per la correttezza, la qualità, la deviazione e l'esplicabilità.
Il seguente diagramma mostra gli stadi del ciclo di vita AI:
Il flusso di lavoro per creare, distribuire e considerare attendibili i modelli prevede questi passaggi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Scegli uno strumento per creare, distribuire e considerare attendibili i modelli. Ogni esercitazione descrive uno strumento.
Esercitazioni per la generazione, la distribuzione e l'attendibilità dei modelli
Ogni esercitazione fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Crea e distribuisci un modello di machine learning con AutoAI | Creare automaticamente i candidati del modello con lo strumento AutoAI . | Crea, distribuisci e verifica un modello senza codifica. |
| Crea e distribuisci un modello di machine learning in un notebook | Costruire un modello aggiornando ed eseguendo un notebook che utilizza il codice Python e le API watsonx.ai Runtime. | Crea, distribuisci e verifica un modello scikit-learn che utilizza il codice Python . |
| Crea e distribuisci un modello di machine learning con SPSS Modeler | Creare un modello C5.0 che utilizza lo strumento SPSS Modeler . | Rilasciare i dati e i nodi di operazione su un canvas e selezionare le proprietà. |
| Creare e distribuire un modello Decision Optimization | Crea automaticamente scenari con Modeling Assistant. | Risolvere ed esaminare gli scenari, quindi distribuire e testare un modello senza codifica. |
| Automatizzare il ciclo di vita per un modello con pipeline | Creare ed eseguire una pipeline per automatizzare la creazione e la distribuzione di un modello di machine learning. | Rilasciare i nodi di operazione su un riquadro e selezionare le proprietà. |
| Valutare un modello di machine learning | Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello. | Eseguire un notebook per configurare i modelli e utilizzare Watson OpenScale per valutare. |
Utilizzo dell'AI generativa
Per iniziare a lavorare con l'intelligenza artificiale generativa, comprendere il flusso di lavoro generale, scegliere un'esercitazione e consultare altre risorse di apprendimento per lavorare sulla piattaforma.
Il flusso di lavoro di progettazione prompt prevede i seguenti passaggi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Scegliere uno strumento per richiedere i modelli di base. Ogni esercitazione descrive uno strumento.
Salva e condividi i tuoi prompt migliori.
Esercitazioni per lavorare con l'IA generativa
Ogni esercitazione fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Prompt di un foundation model utilizzando Prompt Lab | Sperimenta diversi modelli di base, esplora i prompt di esempio e salva e condividi i tuoi prompt migliori. | Richiedi un modello utilizzando Prompt Lab senza codifica. |
| Promuovere un foundation model con il modello di generazione aumentata dal reperimento | Promuovere un foundation model sfruttando le informazioni contenute in una base di conoscenza. | Utilizzare il modello di creazione migliorato di richiamo in un notebook Jupyter che utilizza il codice Python . |
| Mettere a punto un foundation model | Mettere a punto un foundation model per migliorarne le prestazioni. | Usa ilTuning Studio per mettere a punto un modello senza codifica. |
AI di gestione
Per iniziare a gestire l'IA, comprendere il flusso di lavoro generale, scegliere un'esercitazione e consultare altre risorse di apprendimento per lavorare sulla piattaforma.
Il flusso di lavoro di governance AI ha questi passi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Scegli uno strumento per gestire l'AI. Ogni esercitazione descrive uno strumento.
Esercitazioni per la gestione dell'AI
Ogni esercitazione fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Valutare e tracciare un modello di prompt | Valutare un modello di prompt per misurare le prestazioni del foundation model e seguire il modello di prompt durante il suo ciclo di vita. | Utilizzare lo strumento di valutazione e un caso di utilizzo AI per tenere traccia del modello di prompt. |
| Valutare un modello di machine learning | Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello Watson OpenScale. | Eseguire un notebook per configurare i monitor e utilizzare Watson OpenScale per la valutazione. |
| Valutare una distribuzione negli spazi | Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello in uno spazio di distribuzione. | Configurare i monitor e valutare un modello in uno spazio di distribuzione. |
Altre risorse di apprendimento
Tutorial guidati
Accedere al progetto di esempio Build an AI model per seguire un'esercitazione guidata nell'hub Risorse. Dopo aver creato il progetto di esempio, il readme fornisce le istruzioni:
- Scegliere Esplora e prepara i dati per rimuovere le anomalie nei dati con Data Refinery.
- Scegli Crea un modello in un notebook per creare un modello con codice Python .
- Scegliere Crea e distribuisci un modello per automatizzare la creazione di un modello con lo strumento AutoAI .
Guarda questa serie di video per vedere come lavorare con gli asset nel progetto di esempio.
Generale
Preparazione dati
Analisi e visualizzazione dei dati
Creazione, distribuzione e attendibilità di modelli
Utilizzo dell'AI generativa
AI di gestione
Video
- Una serie completa di video che mostrano molte attività comuni in watsonx.
Esempi
Trova dataset di esempio, progetti, modelli, prompt e notebook nell'area dell'hub di risorse per ottenere un'esperienza pratica:
notebook 
che potete aggiungere al vostro progetto per iniziare ad analizzare i dati e costruire i modelli.
Progetti che si possono importare contenenti quaderni, set di dati, prompt e altre risorse.
Set di dati che si possono aggiungere al progetto per perfezionare, analizzare e costruire modelli.
I prompt che si possono usare nel Prompt Lab per richiedere un foundation model.
Modelli di fondazione che si possono utilizzare nel Prompt Lab.
Esempi di casi di utilizzo
Prova diversi casi di utilizzo su un sito self - service. Seleziona un caso di utilizzo per provare un'applicazione live creata con watsonx. Gli sviluppatori, accedono alla selezione rapida e alla guida alla costruzione, insieme al codice dell'applicazione di esempio, per accelerare il tuo progetto.
Argomento principale Introduzione