Choix d'un outil
Les services de base de Cloud Pak for Data as a Service fournissent une gamme d'outils pour les utilisateurs de tous niveaux d'expérience dans la préparation, l'analyse et la modélisation de données, du débutant à l'expert. Le bon outil pour vous dépend du type de données que vous avez, des tâches que vous avez l'intention de faire et de la quantité d'automatisation que vous voulez.
Pour identifier les outils que vous utilisez dans un projet et les services dont ces outils ont besoin, ouvrez la mappe des outils et des services.
Pour sélectionner l'outil approprié, prenez en compte ces facteurs.
Le type de données que vous avez
- Données tabulaires dans des fichiers délimités ou données relationnelles dans des sources de données distantes
- Fichiers image
- Données textuelles (non structurées) dans les documents
Le type de tâches que vous devez effectuer
- Préparation des données : nettoyage, mise en forme, visualisation, organisation et validation des données.
- Analyse des données : identification des masques et des relations dans les données, et affichage des connaissances.
- Génération de modèles : construction, entraînement, test et déploiement de modèles pour effectuer des prédictions ou optimiser les décisions.
La quantité d'automatisation que vous souhaitez
- Outils d'éditeur de code: à utiliser pour écrire du code dans Python ou R, tous avec Spark également.
- Outils de générateur graphique : Utilisez les menus et les fonctionnalités de glisser-déposer d'un générateur pour le programme visuel.
- Outils de générateur automatisés : permet de configurer des tâches automatisées nécessitant une entrée utilisateur limitée.
Trouvez l'outil adéquat :
- Outils pour les données tabulaires ou relationnelles
- Outils pour les données textuelles
- Outils pour les données image
- Accès aux outils
Outils pour les données tabulaires ou relationnelles
Outils pour les données tabulaires ou relationnelles par tâche :
| Outil | Type d'outil | Préparer les données | Analyse des données | Construire des modèles |
|---|---|---|---|---|
| Editeur de bloc-notes Jupyter | Editeur de code | ✓ | ✓ | ✓ |
| Apprentissage fédéré | Editeur de code | ✓ | ||
| RStudio | Editeur de code | ✓ | ✓ | ✓ |
| Data Refinery | Générateur graphique | ✓ | ✓ | |
| Flux de masquage | Générateur automatisé | ✓ | ||
| Watson Query | Générateur graphique | ✓ | ||
| DataStage | Générateur graphique | ✓ | ||
| Editeur de tableau de bord | Générateur graphique | ✓ | ||
| SPSS Modeler | Générateur graphique | ✓ | ✓ | ✓ |
| Générateur de modèle Decision Optimization | Générateur graphique et éditeur de code | ✓ | ✓ | |
| AutoAI | Générateur automatisé | ✓ | ✓ | |
| Metadata import | Générateur automatisé | ✓ | ||
| Enrichissement des métadonnées | Générateur automatisé | ✓ | ✓ | |
| Règle de qualité des données | Générateur automatisé et éditeur de code | ✓ | ||
| IBM Match 360 with Watson (Bêta) | Générateur automatisé | ✓ | ||
| Watson Pipelines | Générateur graphique | ✓ | ✓ | ✓ |
Outils pour les données textuelles
Outils permettant de générer un modèle qui classifie les données textuelles :
| Outil | Editeur de code | Générateur graphique | Générateur automatisé |
|---|---|---|---|
| Editeur de bloc-notes Jupyter | ✓ | ||
| RStudio | ✓ | ||
| SPSS Modeler | ✓ | ||
| Watson Pipelines | ✓ |
Outils pour les données image
Outils permettant de générer un modèle qui classifie les images :
| Outil | Editeur de code | Générateur graphique | Générateur automatisé |
|---|---|---|---|
| Editeur de bloc-notes Jupyter | ✓ | ||
| RStudio | ✓ | ||
| Watson Pipelines | ✓ |
Accès aux outils
Pour utiliser un outil, vous devez créer un actif spécifique à cet outil, ou ouvrir un actif existant pour cet outil. Pour créer un actif, cliquez sur Nouvel actif ou sur Importer des actifs , puis choisissez le type d'actif de votre choix. Ce tableau présente le type d'actif à choisir pour chaque outil.
| Pour utiliser cet outil | Choisissez ce type d'actif |
|---|---|
| Editeur de bloc-notes Jupyter | Editeur de bloc-notes Jupyter |
| Data Refinery | Flux Data Refinery |
| Masquage des flux | Masquage des flux |
| DataStage | Flux DataStage |
| Editeur de tableau de bord | Tableau de bord |
| SPSS Modeler | Flux de modélisateur |
| Générateur de modèle Decision Optimization | Decision Optimization |
| AutoAI | expérimentation AutoAI |
| Apprentissage fédéré | Expérimentation d'apprentissage fédéré |
| Metadata import | Metadata import |
| Enrichissement des métadonnées | Enrichissement des métadonnées |
| Règles de qualité des données | Règle de qualité des données |
| IBM Match 360 with Watson (Bêta) | Configuration des données de base |
Pour éditer des blocs-notes avec RStudio, cliquez sur Lancer IDE > RStudio.
Editeur de bloc-notes Jupyter
Utilisez l'éditeur de bloc-notes Jupyter pour créer un bloc-notes dans lequel vous exécutez le code pour préparer, visualiser et analyser des données, ou générer et entraîner un modèle.
- service requis
- Watson Studio
- Format des données
- Tous
- Taille des données
- Tous
- Méthode de préparation et d'analyse des données, ou de génération de modèles
- Ecrivez du code dans Python ou R, tous avec Spark également.
- Inclusion de texte enrichi et de fichiers multimédia à votre code.
- Utilisation de tout type de données de n'importe quelle façon.
- Utilisation des bibliothèques et packages préinstallés, ou installation d'autres bibliothèques et packages IBM et open source.
- Planifiez les exécutions de votre code
- Importation d'un bloc-notes à partir d'un fichier, d'une URL ou de Gallery.
- Partage externe de copies en lecture seule de votre bloc-notes.
- Mise en route
- Pour créer un bloc-notes, cliquez sur Nouvel actif > Editeur de bloc-notes Jupyter.
- En savoir plus
- Vidéo sur le chargement et l'analyse de jeux de données publics
- Vidéos sur les blocs-notes
- Exemples de blocs-notes
- Documentation sur les ordinateurs portables
Data Refinery
Utilisez Data Refinery pour préparer et visualiser les données tabulaires à l'aide d'un éditeur de flux graphique. Vous pouvez créer, puis exécuter un flux Data Refinery en tant qu'ensemble d'opérations ordonnées sur des données.
- Services requis
- Watson Studio ou Watson Knowledge Catalog
- Format des données
- Tabulaire: Avro, CSV, JSON, Microsoft Excel (formats xls et xlsx. Première feuille uniquement, sauf pour les connexions et les actifs de données connectés.), Parquet, SAS avec l'extension "sas7bdat" (lecture seule), TSV (lecture seule) ou actif de données texte délimité
- Relationnel : tables dans des sources de données relationnelles
- Taille des données
- Tous
- Méthode de préparation des données
- Nettoyage, mise en forme, organisation des données avec plus de 60 opérations.
- Sauvegarde des données affinées sous forme de nouveau jeu de données, ou mise à jour des données d'origine.
- Profilage des données en vue de leur validation.
- Utilisation de modèles interactifs pour manipuler les données avec des opérations de code, des fonctions et des opérateurs logiques.
- Planification d'opérations récurrentes sur les données.
- Méthode d'analyse des données
- Identification de modèles, de connexions et de relations dans les données dans plusieurs graphiques de visualisation.
- Mise en route
- Pour créer un flux Data Refinery , cliquez sur Nouvel actif > Data Refinery. La vignette Data Refinery se trouve dans la section Graphical builders .
- En savoir plus
- Documentation sur la raffinerie de données
- Vidéos sur Data Refinery
- Vidéo sur la mise en forme des données
Watson Query
Utilisez Watson Query pour connecter plusieurs sources de données dans une seule collection de sources de données ou de bases de données à équilibrage automatique.
- Format des données
- Relationnel : tables dans des sources de données relationnelles
- Taille des données
- Tous
- Méthode de préparation des données
- Connexion à plusieurs sources de données.
- Création de tables virtuelles.
- Mise en route
- Pour créer des tables virtuelles, cliquez sur Données > Data virtualization. Dans le menu de service, cliquez sur Virtualisation > Virtualisation > Tableaux.
- En savoir plus
- Documentation Watson Query
DataStage
Utilisez DataStage pour préparer et visualiser des données tabulaires à l'aide d'un éditeur de flux graphique. Vous créez, puis exécutez un flux DataStage en tant qu'ensemble d'opérations ordonnées sur des données.
- Format des données
- Tabulaire : Avro, CSV, JSON, Parquet, TSV (en lecture seule) ou fichiers texte délimité
- Relationnel : tables dans des sources de données relationnelles
- Taille des données
- Tous
- Méthode de préparation des données
- Conception d'un flux d'intégration de données graphique qui génère du code Orchestrate à exécuter sur le moteur parallèle DataStage hautes performances
- Exécution d'opérations, telles que jointure, triage, total de contrôle, fusion, modification, retrait de doublons et tri
- Mise en route
- Pour créer un flux DataStage , cliquez sur Nouvel actif > DataStage. La vignette DataStage se trouve dans la section Graphical builders .
- En savoir plus
- Documentation DataStage
Editeur de tableau de bord
Utilisez l'éditeur de tableau de bord pour créer un ensemble de visualisations des résultats d'analyse dans un générateur graphique.
- service requis
- Cognos Dashboard Embedded
- Format des données
- Tabulaire : fichiers CSV
- Relationnel : tableaux dans certaines sources de données relationnelles
- Taille des données
- N'importe quelle taille
- Méthode d'analyse des données
- Création de graphiques sans codage.
- Incluez du texte, des supports, des pages Web, des images et des formes dans votre tableau de bord dashboard.: Partage externe de tableaux de bord interactifs.
- Mise en route
- Pour créer un tableau de bord, cliquez sur Nouvel actif > Editeur de tableau de bord. La vignette de l' éditeur de tableau de bord se trouve dans la section Graphical builders .
- En savoir plus
- Documentation sur les tableaux de bord
- Vidéos sur les tableaux de bord
SPSS Modeler
Utilisez SPSS Modeler pour créer un flux afin de préparer des données et de générer et d'entraîner un modèle à l'aide d'un éditeur de flux sur un générateur graphique.
- Services requis
- Watson Studio
- Formats de données
- Relationnel : tables dans des sources de données relationnelles
- Tabulaire : fichiers Excel (.xls ou .xlsx), CSV ou SPSS Statistics (.sav)
- Textuel : dans les tables ou fichiers relationnels pris en charge
- Taille des données
- Tous
- Méthode de préparation des données
- Utilisation des fonctions de préparation automatisée des données.
- Ecriture d'instructions SQL pour manipuler les données.
- Nettoyage, mise en forme, échantillonnage, tri et dérivation des données.
- Méthode d'analyse des données
- Visualisation des données avec plus de 40 graphiques.
- Identification du langage naturel d'un champ de texte.
- Méthode de génération des modèles
- Construction de modèles prédictifs.
- Choix parmi plus de 40 algorithmes de modélisation.
- Utilisation des fonctions de modélisation automatique.
- Modélisation de séries temporelles ou de données géospatiales.
- Classification de données textuelles.
- Identification des relations entre les concepts dans les données textuelles.
- Mise en route
- Pour créer un flux SPSS Modeler , cliquez sur Nouvel actif > SPSS Modeler.
- En savoir plus
- Vidéo sur SPSS Modeler - actualisation de l'interface utilisateur pour valoriser la science des données d'entreprise
- Documentation sur SPSS Modeler
Générateur de modèle Decision Optimization
Utilisez Decision Optimization pour générer et exécuter des modèles d'optimisation dans le modélisateur Decision Optimization ou dans un bloc-notes Jupyter.
- Services requis
- Watson Studio
- Formats de données
- Tabulaire : fichiers CSV
- Taille des données
- Tous
- Méthode de préparation des données
- Importation des données pertinentes dans un scénario et édition de ces données.
- Méthode de génération des modèles
- Génération de modèles prescriptifs d'optimisation de décision.
- Création, importation et édition de modèles en Python DOcplex, OPL ou avec des expressions en langage naturel.
- Création, importation et édition de modèles dans des blocs-notes.
- Méthode de résolution des modèles
- Exécution et résolution de modèles d'optimisation de décision à l'aide de moteurs CPLEX.
- Examen et comparaison de solutions pour plusieurs scénarios.
- Création de tables, de graphiques et de remarques pour visualiser des données et des solutions pour un ou plusieurs scénarios.
- Mise en route
- Pour créer un modèle Decision Optimization , cliquez sur Nouvel actif > Decision Optimization, ou pour les blocs-notes, cliquez sur Nouvel actif > Editeur de bloc-notes Jupyter.
- En savoir plus
- Vidéos sur Decision Optimization
- Documentation sur Decision Optimization
Outil AutoAI
Utilisez l'outil AutoAI pour analyser automatiquement vos données tabulaires et générer des pipelines de modèle candidat personnalisés pour votre problème de modélisation prédictive.
- service requis
- Watson Machine Learning
- Format des données
- Tabulaire : fichiers CSV
- Taille des données
- Dépend du type de modèle. Pour plus d'informations, voir Présentation d'AutoAI .
- Méthode de préparation des données
- Transformer automatiquement les données, telles que l'imputation des valeurs manquantes et la transformation du texte en valeurs scalaires.
- Méthode de génération des modèles
- Entraînement d'une classification binaire, d'une classification multiclasse ou d'un modèle de régression.
- Affichage d'un schéma infographique en arborescence qui présente les séquences des étapes d'entraînement AutoAI.
- Génération d'un tableau de classement des pipelines de modèle par score de validation croisée.
- Sauvegardez un pipeline comme modèle.
- Mise en route
- Pour créer une expérimentation AutoAI , cliquez sur Nouvel actif > AutoAI.
- En savoir plus
- Documentation sur AutoAI
Apprentissage fédéré
Utilisez l'outil d'apprentissage fédéré pour entraîner un modèle commun à l'aide de données réparties. Les données ne sont jamais combinées ou partagées, ce qui préserve l'intégrité des données tout en fournissant à toutes les parties participantes un modèle basé sur les données agrégées.
- service requis
- Watson Machine Learning
- Format des données
- Tous
- Taille des données
- N'importe quelle taille
- Méthode de génération des modèles
- Choix d'une infrastructure d'entraînement.
- Configuration du modèle commun.
- Configuration d'un fichier pour l'entraînement du modèle commun.
- Demander aux parties distantes d'entraîner leurs données.
- Déploiement du modèle commun.
- Mise en route
- Pour créer une expérimentation, cliquez sur Nouvel actif > Apprentissage fédéré.
- En savoir plus
- Documentation sur l'apprentissage fédéré
Metadata import
Utilisez l'outil d'importation de métadonnées pour reconnaître et importer automatiquement des métadonnées techniques et de processus pour les actifs de données dans un projet ou un catalogue.
- service requis
- Watson Knowledge Catalog
- Format des données
- Tous
- Taille des données
- N'importe quelle taille
- Méthode de préparation des données
- Importation d'actifs de données à partir d'une connexion dans une source de données.
- Mise en route
- Pour importer des métadonnées, cliquez sur Nouvel actif > Metadata import.
- En savoir plus
- Documentation sur l'importation de métadonnées
- Vidéos sur Watson Knowledge Catalog
Enrichissement des métadonnées
Utilisez l'outil d'enrichissement des métadonnées pour profil automatiquement les actifs de données et analyser la qualité des données dans un projet.
- service requis
- Watson Knowledge Catalog
- Format des données
- Relationnel et structuré: tables et fichiers dans des sources de données relationnelles et non relationnelles
- Tabulaire : fichiers Avro, CSV ou Parquet
- Taille des données
- N'importe quelle taille
- Méthode de préparation et d'analyse des données
- Profilage et analyse d'un ensemble sélectionné d'actifs de données dans un projet.
- Mise en route
- Pour enrichir des données, cliquez sur Nouvel actif > Enrichissement de métadonnées.
- En savoir plus
- Documentation sur l'enrichissement des métadonnées
Règle de qualité des données
Utilisez l'outil de qualité des données pour créer des règles qui analysent la qualité des données dans un projet.
- service requis
- Watson Knowledge Catalog
- Format des données
- Relationnel et structuré: tables et fichiers dans des sources de données relationnelles et non relationnelles
- Tabulaire : fichiers Avro, CSV ou Parquet
- Taille des données
- N'importe quelle taille
- Méthode de préparation et d'analyse des données
- Analysez la qualité d'un ensemble sélectionné d'actifs de données dans un projet.
- Mise en route
- Pour créer une règle de qualité de données, cliquez sur Nouvel actif > Règle de qualité de données.
- En savoir plus
- Documentation sur les règles de qualité des données
IBM Match 360 with Watson
Utilisez IBM Match 360 with Watson pour créer des entités de données de référence représentant des jumeaux numériques de vos clients. Modélisez et mappez vos données, puis exécutez l'algorithme de correspondance pour créer des entités de données de référence. Personnalisez et optimisez votre algorithme de correspondance pour répondre aux exigences de votre organisation.
- Services requis
- IBM Match 360 with Watson IBM Watson Knowledge Catalog
- Taille des données
- Jusqu'à 1 000 000 enregistrements (pour le plan Beta Lite)
- Méthode de préparation des données
- Modélisez et mappez des données provenant de sources de votre organisation.
- Exécutez l'algorithme de correspondance personnalisable pour créer des entités de données de référence.
- Affichez et éditez les entités de données de référence ainsi que les enregistrements qui leur sont associés.
- Mise en route
- Pour créer un actif de configuration IBM Match 360 , cliquez sur Nouvel actif > Configuration des données maître.
- En savoir plus
- Documentation sur IBM Match 360 avec Watson
Interface IDE RStudio
Utilisez l'interface IDE RStudio pour analyser des données ou créez des applications Shiny en écrivant du code R.
- service requis
- Watson Studio
- Format des données
- Tous
- Taille des données
- N'importe quelle taille
- Méthode de préparation et d'analyse des données, et de génération de modèles
- Ecriture de code en R.
- Création d'applications Shiny.
- Utilisation de bibliothèques et de packages open source.
- Inclusion de texte enrichi et de fichiers multimédia à votre code.
- Préparation des données.
- Visualisation des données.
- Extraction d'informations à partir des données.
- Création et entraînement d'un modèle à l'aide de bibliothèques open source.
- Partage de votre application Shiny dans un référentiel Git.
- Mise en route
- Pour utiliser RStudio, cliquez sur Lancer l'IDE > RStudio.
- En savoir plus
- Documentation sur RStudio
- Vidéo de présentation de l'interface IDE RStudio
- Vidéos sur RStudio
Masquage des flux
Utilisez l'outil de flux de masquage pour préparer des copies masquées ou des sous-ensembles masqués de données à partir du catalogue. Les données sont dépersonnalisées à l'aide d'options de masquage avancées avec des règles de protection des données.
- service requis
- Watson Knowledge Catalog
- Format des données
- Relationnel : tables dans des sources de données relationnelles
- Taille des données
- N'importe quelle taille
- Méthode de préparation et d'analyse des données, ou de génération de modèles
- Importation d'actifs de données du catalogue gouverné vers le projet.
- Création de définitions de travaux de masquage de flux pour spécifier les données à masquer avec des règles de protection de données.
- Création de sous-ensembles de données (facultatif) pour réduire la taille des données copiées.
- Exécution de travaux de masquage de flux pour charger des copies masquées vers des connexions de base de données cible.
- Mise en route
- Vérifiez que les étapes prérequises dans Watson Knowledge Catalog sont terminées. Pour privatiser les données, effectuez l'une des tâches suivantes :
- Cliquez sur Nouvel actif > Flux de masquage.
- Cliquez sur les options de menu des actifs de données individuels pour masquer directement cet actif.
- En savoir plus
- Documentation sur le masquage des données
Watson Pipelines
L'éditeur de canevas Pipelines permet de créer un flux pour préparer, visualiser et analyser des données, ou de générer et d'entraîner un modèle.
- Format des données
- Tous
- Taille des données
- Tous
- Méthode de préparation et d'analyse des données, ou de génération de modèles
- Utilisez une variété de noeuds qui contiennent chacun leurs propres journaux.
- Incorporez des blocs-notes dans le flux pour exécuter un code Python ou R.
- Utilisation de tout type de données de n'importe quelle façon.
- Planifiez les exécutions de votre flux.
- Importez des données à partir de votre réservation de volume persistant montée, de votre projet ou de vos données d'ingestion à partir de Github.
- Créez votre composant personnalisé avec un code Python .
- Conditionnalisez vos pipelines pour surveiller la qualité des données comme vous le souhaitez.
- Utilisez le webhook pour envoyer des e-mails ou des messages afin de vous tenir au courant de l'état de votre flux.
- Mise en route
- Pour créer un pipeline, cliquez sur Nouvel actif > Pipelines.
Visualisation des données
Utilisez des visualisations de données pour découvrir des connaissances à partir de vos données. En explorant les données de différentes perspectives à l'aide de visualisations, vous pouvez identifier des modèles, des connexions et des relations au sein de ces données et comprendre rapidement de grandes quantités d'informations.
- Format des données
- Tableau: fichiers Avro, CSV, JSON, Parquet, TSV, SAV, Microsoft Excel .xls et .xlsx, SAS, fichiers texte délimités et données connectées. Pour plus d'informations sur les sources de données prises en charge, voir Connecteurs.
- Taille des données
- Aucune limite
- Mise en route
- Pour créer une visualisation, cliquez sur Actif de données dans la liste des types d'actif de votre projet, puis sélectionnez un actif de données. Cliquez sur l'onglet Visualisation et choisissez un type de graphique.
- En savoir plus
- Visualisation des données
Rubrique parent: Projets