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。

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：

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。

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。

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。

他の学習リソース