Docs
...
Quick start tutorials

クイック・スタート・チュートリアル

最終更新: 2025年2月26日
クイック・スタート・チュートリアル

クイックスタートチュートリアルで、データの精緻化やモデルの構築など、特定のタスクの実行方法を学ぶことができます。 これらのチュートリアルは、特定のタスクまたは関連する一連のタスクの実行方法をすばやく学ぶのに役立ちます。

動画をお探しですか？ watsonx の一般的な作業の多くをビデオライブラリでご覧いただけます。

これらのチュートリアルを終えたら、その他の学習リソースセクションを参照して学習を続けてください。

クイックスタートチュートリアルはタスクごとに分類されています：

各チュートリアルには1つ以上のサービスインスタンスが必要です。 いくつかのサービスは複数のチュートリアルに含まれています。 チュートリアルはタスクごとに分類されている。 どんな仕事からでも始められる。 それぞれのチュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています。

各チュートリアルのタグには、専門知識のレベル（、、）が記述されています、また、必要なコーディングの量（、、または）。

データの準備

データの準備、変換、統合を始めるには、全体的なワークフローを理解し、チュートリアルを選択し、プラットフォームで作業するためのその他の学習リソースをチェックします。

データ準備ワークフローには、以下の基本ステップがあります：

  1. プロジェクトを作成します。

  2. 必要に応じて、使用するツールを提供するサービス・インスタンスを作成し、それをプロジェクトに関連付けます。

  3. プロジェクトにデータを追加します。 ローカルシステムからのデータファイル、接続したリモートデータソースからのデータ、またはリソースハブからのサンプルデータを追加することができます。

  4. データを分析するツールを選択してください。 各チュートリアルでは、ツールについて説明します。

  5. データを準備するためのジョブを実行またはスケジュールします。

データ準備のためのチュートリアル

それぞれのチュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています：

チュートリアル 説明 チュートリアルの専門知識
Data Refinery を使用してデータを詳細化と視覚化にする グラフィカル・フロー・エディターを使用して表データを準備し、視覚化します。
合成表データの生成 グラフィカルなフローエディターを使って、合成表データを生成する。
データを生成する操作を選択する

データの分析と視覚化

データの分析と視覚化を始めるには、全体的なワークフローを理解し、チュートリアルを選択し、他のツールで作業するための他の学習リソースをチェックします。

データ・ワークフローの分析と視覚化には、以下の基本ステップがあります：

  1. プロジェクトを作成します。

  2. 必要に応じて、使用するツールを提供するサービス・インスタンスを作成し、それをプロジェクトに関連付けます。

  3. プロジェクトにデータを追加します。 ローカルシステムからのデータファイル、接続したリモートデータソースからのデータ、またはリソースハブからのサンプルデータを追加することができます。

  4. データを分析するツールを選択してください。 各チュートリアルでは、ツールについて説明します。

データの分析と可視化のためのチュートリアル

それぞれのチュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています：

チュートリアル 説明 チュートリアルの専門知識
Jupyter ノートブックでデータを分析する データをロードし、ノートブックを実行して共有します。 生成されたPythonコードを理解する。
Data Refinery を使用してデータを詳細化と視覚化にする グラフィカル・フロー・エディターを使用して表データを準備し、視覚化します。

モデルの構築、展開、信頼性

モデルのビルド、デプロイ、トラストを始めるには、全体的なワークフローを理解し、チュートリアルを選択し、プラットフォームで作業するための他の学習リソースをチェックします。

AIのライフサイクルに関わるさまざまな段階は以下の通りである：

  1. スコープを定義する: 主要な目的と要件を特定することで、プロジェクトのスコープを定義することから始めます。
  2. データを準備する：機械学習アルゴリズムで使用するデータを収集し、準備する。
  3. モデルを構築する：定義された問題を解決するために、用意されたデータでモデルを訓練することによって、AIモデルを開発し、改良する。
  4. モデルをデプロイする：ビルドプロセスの完了後、モデルをプロダクションにデプロイします。
  5. パイプラインの自動化：AI ライフサイクルの一部を自動化することで、本番へのパスを自動化します。
  6. パフォーマンスを監視する：公平性、品質、ドリフト、説明可能性について、モデルのパフォーマンスを評価する。

以下の図は、AIのライフサイクルの段階を示している：

AIのライフサイクルの段階

モデルを構築し、デプロイし、信頼するためのワークフローには、次のような基本ステップがある：

  1. プロジェクトを作成します。

  2. 必要に応じて、使用するツールを提供するサービス・インスタンスを作成し、それをプロジェクトに関連付けます。

  3. モデルを構築、展開、信頼するためのツールを選択する。 各チュートリアルでは、ツールについて説明します。

モデルの構築、配備、信頼のためのチュートリアル

各チュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています：

チュートリアル 説明 チュートリアルの専門知識
AutoAI を使用した機械学習モデルを作成とデプロイする AutoAI ツールを使用してモデル候補を自動的に作成します。
コーディングなしでモデルをビルド、デプロイ、テストする
ノートブックでの機械学習モデルの作成とデプロイする Pythonコードとwatsonx.aiRuntime APIを使用するノートブックを更新して実行することで、モデルを構築する。 Pythonコードを使用するscikit-learnモデルをビルド、デプロイ、テストする。
SPSS Modeler を使用して機械学習モデルを作成とデプロイする SPSS Modeler ツールを使用する C5.0 モデルを構築します。
キャンバス上にデータと操作ノードをドロップし、プロパティを選択します
Decision Optimization モデルをビルドとデプロイする Modeling Assistant を使用してシナリオを自動的に作成します。
パイプラインを使ってモデルのライフサイクルを自動化する 機械学習モデルの構築とデプロイを自動化するパイプラインを作成し、実行する。
機械学習モデルを評価する モデルをデプロイし、デプロイされたモデルにモニターを設定し、モデルを評価する。 Run a notebook to configure the models and use Watson OpenScale to evaluate.

ジェネレーティブAIの活用

ジェネレーティブAIでの作業を始めるには、全体的なワークフローを理解し、チュートリアルを選択し、プラットフォームで作業するための他の学習リソースをチェックする。

プロンプトエンジニアリングのワークフローには、次のような基本ステップがある：

  1. プロジェクトを作成します。

  2. 必要に応じて、使用するツールを提供するサービス・インスタンスを作成し、それをプロジェクトに関連付けます。

  3. 基礎モデルを促すツールを選ぶ。 各チュートリアルでは、ツールについて説明します。

  4. 最高のプロンプトを保存して共有しましょう。

生成AIを扱うためのチュートリアル

各チュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています：

チュートリアル 説明 チュートリアルの専門知識
プロンプト・ラボを使用した基盤モデルのプロンプト さまざまな基盤モデルにプロンプトを出し、サンプル・プロンプトを探索し、最適なプロンプトを保存して共有します。 コーディングなしで Prompt Labを使用してモデルをプロンプトします。
取得拡張された生成パターンを使用して基盤モデルにプロンプトを出す 知識ベース内の情報を活用して、基盤モデルを促進します。 Pythonコードを使用するJupyterノートブックで、検索-拡張生成パターンを使用する。
ファ基盤モデルの調整 基盤モデルを調整して、モデルのパフォーマンスを向上させます。 Tuning Studioを使用して、コーディングなしでモデルをチューニングします。
エンドツーエンドの watsonx.ai チュートリアル AutoAI, SPSS Modeler や Jupyter notebook などのツールを使用してモデルを構築し、その後、モデルをデプロイしてテストします。 Further, transform your data and tune your foundation model by using watsonx.ai.

AIを統治する

AIを使い始めるには、全体的なワークフローを理解し、チュートリアルを選択し、プラットフォームで作業するためのその他の学習リソースをチェックする。

AIガバナンスのワークフローには、以下の基本ステップがある：

  1. プロジェクトを作成します。

  2. 必要に応じて、使用するツールを提供するサービス・インスタンスを作成し、それをプロジェクトに関連付けます。

  3. AIを管理するツールを選択する。 各チュートリアルでは、ツールについて説明します。

AIを統治するためのチュートリアル

各チュートリアルには、ツールの説明、ビデオ、説明、その他の学習リソースが用意されています：

チュートリアル 説明 チュートリアルの専門知識
プロンプト・テンプレートを評価し、追跡する 基盤モデルパフォーマンスを測定し、プロンプトテンプレートのライフサイクルを追跡するために、プロンプトテンプレートを評価する。
迅速なパフォーマンスを比較する ユースケースに適した定量的な指標とカスタマイズ可能な基準で、生成型 資産を評価し比較します。 Evaluation Studio を使用して、複数の資産のパフォーマンスを同時に評価します。
機械学習モデルを評価する モデルをデプロイし、デプロイされたモデルのモニターを設定し、モデルを評価します Watson OpenScale 。 Run a notebook to configure the monitors and use Watson OpenScale to evaluate.
配置をスペースで評価する モデルをデプロイし、デプロイされたモデルのモニターを設定し、デプロイメントスペースでモデルを評価する。
モニターを設定し、展開空間でモデルを評価する

他の学習リソース

ガイド付きチュートリアル

リソース・ハブの「Build an AI model sample project」にアクセスして、ガイド付きチュートリアルに従います。 サンプル・プロジェクトを作成した後、Readmeに説明があります：

  • Explore and prepare data を選択し、Data Refinery でデータの異常を取り除きます。
  • Python コードを使用してモデルを作成するには、 ノートブックでのモデルの作成 を選択してください。
  • モデルのビルドとデプロイ を選択すると、AutoAI ツールを使用したモデルの作成が自動化されます。
ビデオの免責事項: このビデオ内のいくつかの細かい手順やグラフィック要素は、お使いのプラットフォームと異なる場合があります。

このビデオシリーズで、サンプルプロジェクトのアセットの扱い方をご覧ください。

一般

データの準備

データの分析と視覚化

モデルの構築、展開、信頼性

ジェネレーティブAIの活用

AIを統治する

動画

サンプル

サンプルデータセット、プロジェクト、モデル、プロンプト、ノートブックをResource hubエリアで検索し、実践的な経験を積むことができます：

ノートブック・アイコン プロジェクトに追加して、データの分析とモデルの構築を開始できるノートブック。

プロジェクト・アイコン プロジェクト that you can import containing notebooks, data sets, prompts, and other assets.

データ・セット・アイコン プロジェクトに追加して、モデルの改良、分析、構築を行うことができるデータセット。

プロンプトアイコン プロンプト 。プロンプト・ラボで基盤モデルのプロンプトを出すために使用できます。

プロンプト・ラボで使用できる モデルアイコン 基盤モデル 。

ユースケース・サンプル

セルフサービスサイトでさまざまな使用例を試してみてください。 watsonx で構築されたライブ アプリケーションを体験するには、ユースケースを選択してください。 開発者は、サンプル・アプリケーション・コードとともに、迅速な選択と構築ガイダンスにアクセスし、プロジェクトを加速させることができます。

AIソリューションアクセラレータは、特定のビジネス上の問題を解決するエンドツーエンドのAIソリューションを備えたサンプルプロジェクトを提供します。

親トピック: 入門