クイック・スタート・チュートリアル
クイック・スタート・チュートリアルを使用して、データの詳細化やモデルの作成などの特定のタスクを実行する方法を学習します。 これらのチュートリアルは、特定のタスクまたは一連の関連タスクを実行する方法を素早く学習するのに役立ちます。
クイック・スタート・チュートリアルは、タスク別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。 一部のサービスは、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、タスクごとにグループ化されています。 どのタスクからでも開始できます。 これらの各チュートリアルでは、ツール、ビデオ、説明、および追加の学習リソースについて説明します。
各チュートリアルのタグは、専門知識のレベル (
これらのチュートリアルを完了した後、 その他の学習リソース のセクションを参照して学習を続行してください。
データの準備
データの準備、変換、および統合を開始するには、ワークフロー全体を理解し、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確認します。
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:
プロジェクトを作成します。
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。
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、接続先のリモート・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・データを追加できます。
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。
データを準備するためのチュートリアル
これらの各チュートリアルでは、ツールの説明、ビデオ、説明、および追加の学習リソースを提供します。
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。 | データを操作する操作を選択します。 |
合成表データの生成 | グラフィカル・フロー・エディターを使用して合成表データを生成します。 | データを生成する操作を選択します。 |
データの分析と視覚化
データの分析と視覚化を開始するには、ワークフロー全体を理解し、チュートリアルを選択して、他のツールで作業するための他の学習リソースを確認します。
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:
プロジェクトを作成します。
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。
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、接続先のリモート・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・データを追加できます。
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。
データを分析および視覚化するためのチュートリアル
これらの各チュートリアルでは、ツールの説明、ビデオ、説明、および追加の学習リソースを提供します。
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 コードについて理解します。 |
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。 | データを操作する操作を選択します。 |
モデルのビルド、デプロイ、および信頼
モデルの作成、デプロイ、および信頼を開始するには、ワークフロー全体を理解し、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確認します。
AI ライフサイクルには、以下のようなさまざまな段階があります。
- スコープの定義: まず、主要な目標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します。
- データの準備: 機械学習アルゴリズムで使用するデータを収集して準備します。
- モデルの作成: 準備されたデータを使用してモデルをトレーニングすることにより、定義された問題を求解するために AI モデルを開発して洗練します。
- モデルのデプロイ: ビルド・プロセスの完了後に、モデルを実動にデプロイします。
- 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、実動へのパスを自動化します。
- パフォーマンスのモニター: 公平性、品質、ドリフト、説明性についてモデルのパフォーマンスを評価します。
以下の図は、AI ライフサイクルのステージを示しています。
モデルを構築、デプロイ、信頼するためのワークフローには、次の基本的な手順があります。
プロジェクトを作成します。
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。
モデルを構築、展開、信頼するためのツールを選択します。 各チュートリアルでは、ツールについて説明します。
モデルを作成、デプロイ、および信頼するためのチュートリアル
各チュートリアルでは、ツール、ビデオ、説明、および追加の学習リソースについて説明します。
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、およびテストします。 |
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 コードおよび Watson Machine Learning API を使用するノートブックを更新および実行して、モデルを作成します。 | Python コードを使用する scikit-learn モデルをビルド、デプロイ、およびテストします。 |
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 モデルを作成します。 | キャンバス上のデータ・ノードと操作ノードをドロップして、プロパティーを選択します。 |
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。 | シナリオを解決して検討し、コーディングせずにモデルをデプロイしてテストします。 |
パイプラインを使用したモデルのライフサイクルの自動化 | 機械学習モデルの作成とデプロイを自動化するためのパイプラインを作成して実行します。 | キャンバス上の操作ノードをドロップして、プロパティーを選択します。 |
機械学習モデルの評価 | 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構成し、モデルを評価します。 | ノートブックを実行してモデルを構成し、 Watson OpenScale を使用して評価します。 |
生成 AI での作業
生成 AI の使用を開始するには、ワークフロー全体を理解し、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確認します。
プロンプト・エンジニアリング・ワークフローには、以下の基本ステップがあります。
プロジェクトを作成します。
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。
ファウンデーション・モデルのプロンプトを出すツールを選択します。 各チュートリアルでは、ツールについて説明します。
最適なプロンプトを保存して共有します。
生成 AI で作業するためのチュートリアル
各チュートリアルでは、ツール、ビデオ、説明、および追加の学習リソースについて説明します。
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プロンプト・ラボを使用してモデルにプロンプトを出します。 |
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。 | 取得拡張生成パターンは、 Python コードを使用する Jupyter ノートブックで使用します。 |
ファ基盤モデルの調整 | ファウンデーション・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。 | 使用Tuning Studioコーディングなしでモデルを調整します。 |
watsonx.ai エンドツーエンド・ユース・ケースを試す | プロンプト・エンジニアリングを通じて、データの準備からユース・ケースをフォローします。 | ノートブックやプロンプト・ラボなどのさまざまなツールを使用します。 |
AI の管理
AI の管理を開始するには、ワークフロー全体を理解し、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確認します。
AI ガバナンス・ワークフローには、以下の基本ステップがあります。
プロジェクトを作成します。
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。
AI を管理するツールを選択します。 各チュートリアルでは、ツールについて説明します。
AI を管理するためのチュートリアル
各チュートリアルでは、ツール、ビデオ、説明、および追加の学習リソースについて説明します。
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・テンプレートの評価と追跡 | プロンプト・テンプレートを評価して、ファウンデーション・モデルのパフォーマンスを測定し、そのライフサイクルを通してプロンプト・テンプレートを追跡します。 | 評価ツールと AI ユース・ケースを使用して、プロンプト・テンプレートを追跡します。 |
機械学習モデルの評価 | 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構成し、モデル Watson OpenScaleを評価します。 | ノートブックを実行してモニターを構成し、 Watson OpenScale を使用して評価します。 |
スペース内のデプロイメントの評価 | 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構成し、デプロイメント・スペースでモデルを評価します。 | デプロイメント・スペースでモニターを構成し、モデルを評価します。 |
他の学習リソース
ガイド付きチュートリアル
アクセスAIモデルのサンプルプロジェクトを構築するリソース ハブの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 に以下の手順が記載されています。
- Data Refineryを使用してデータの異常を削除するには、 「データの探索と準備」 を選択します。
- 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。
このビデオ・シリーズを視聴して、サンプル・プロジェクト内の資産を操作する方法を確認してください。
一般
データの準備
データの分析と視覚化
モデルのビルド、デプロイ、および信頼
生成 AI での作業
AI の管理
動画
- 包括的なビデオ・セット 。 watsonxで多くの一般的なタスクを示します。
サンプル
「リソース・ハブ」領域でサンプル・データ・セット、プロジェクト、モデル、プロンプト、およびノートブックを検索して、ハンズオン体験を得ることができます。
ノートブック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ます。
プロジェクトノートブック、データセット、プロンプト、その他のアセットを含むものをインポートできます。
データセットプロジェクトに追加して、モデルを改良、分析、構築することができます。
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 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ユース・ケースを試すことができます。 watsonxで構築されたライブ・アプリケーションを体験するためのユース・ケースを選択します。 開発者は、プロジェクトを加速するために、サンプル・アプリケーション・コードとともに、プロンプトの選択および構成ガイダンスにアクセスします。
親トピック: 入門