Translation not up to date
Chcete-li provádět analýzu dat a vytváření modelů, váš podnik potřebuje integrované systémy a procesy. Produkt Cloud Pak for Data as a Service poskytuje procesy a technologie, které vašemu podniku umožňují vyvíjet a implementovat modely strojového učení a další aplikace pro datové vědy.
Podívejte se na toto video, abyste viděli případ použití pro implementaci řešení Data Science a MLOps.
Toto video poskytuje vizuální metodu, jak se seznámit s koncepty a úlohami v této dokumentaci.
Výzvy
Můžete vyřešit následující výzvy pro váš podnik implementací příkladu použití datové vědy a MLOps:
- Přístup k vysoce kvalitním datům
- Organizace musí poskytovat snadný přístup k vysoce kvalitním a řízeným datům pro týmy zabývající se datovými vědou, které tato data používají k sestavování modelů.
- Operace sestavení a implementace modelu
- Organizace musí implementovat opakovatelné procesy, aby mohly rychle a efektivně sestavovat a implementovat modely do produkčních prostředí.
- Modely monitorování a opětovného trénování
- Organizace potřebují automatizovat monitorování a retrénování modelů na základě produkční zpětné vazby.
Příklad: výzvy zlaté banky
Sledujte příběh Golden Bank, protože implementuje proces datové vědy a MLOps, aby rozšířil své podnikání tím, že nabízí nízkorozpočtové hypotéky pro online aplikace. Datoví vědci ve společnosti Golden Bank musí vytvořit model schvalování hypoték, který se vyhýbá riziku a chová se ke všem žadatelům spravedlivě. Musí také automatizovat retrénování modelu, aby optimalizovali výkon modelu.
Proces
Chcete-li implementovat datové vědy a MLOps pro váš podnik, může vaše organizace postupovat podle tohoto procesu:
- Příprava a sdílení dat
- Sestavení a trénování modelů
- Implementovat modely
- Modely monitorování
- Automatizace životního cyklu AI
Služby Watson Studio, Watson Machine Learning, Watson OpenScalea Watson Knowledge Catalog v produktu Cloud Pak for Data as a Service poskytují nástroje a procesy, které vaše organizace potřebuje k implementaci řešení Data Science and MLOps.
2. Stavět a trénovat modely
Chcete-li získat prediktivní poznatky na základě vašich dat, mohou datoví vědci, obchodní analytici a inženýři strojového učení sestavovat a trénovat modely. Datoví vědci používají služby Cloud Pak for Data as a Service k sestavení modelů AI a zajišťují, aby byly použity správné algoritmy a optimalizace k vytváření předpovědí, které pomáhají řešit obchodní problémy.
| Co můžete použít | Co můžete udělat | Nejlepší použít, když |
|---|---|---|
| AutoAI | Pomocí volby AutoAI v produktu Watson Studio můžete automaticky vybrat algoritmy, navrhnout funkce, generovat kandidáty na propojení procesů a trénovat kandidáty na propojení procesů. Poté vyhodnoťte ohodnocená propojení procesů a uložte to nejlepší jako modely. Nasaďte natrénované modely do prostoru nebo vyexportujte propojení procesů trénování modelu, které se vám líbí, z AutoAI do zápisníku, abyste jej upřesnili. |
Chcete rozšířený a automatizovaný způsob, jak rychle vytvořit dobrou sadu trénovacích kanálů a modelů. Chcete být schopni vyexportovat vygenerované kanály, abyste je upřesnili. |
| Notebooky a skripty | Použijte zápisníky a skripty v produktu Watson Studio k napsání vlastního kódu pro školení a vyhodnocení inženýrských modelů funkcí v jazyce Python nebo R. Použijte trénovací datové sady, které jsou k dispozici v projektu, nebo připojení ke zdrojům dat, jako jsou databáze, jezera dat nebo úložiště objektů. Kód s oblíbenými rámci a knihovnami typu open source. |
Chcete použít Python nebo R kódovací dovednosti, abyste měli úplnou kontrolu nad kódem, který se používá k vytváření, trénování a vyhodnocování modelů. |
| SPSS Modeler toků | Pomocí toků SPSS Modeler v produktu Watson Studio můžete vytvářet vlastní toky trénování modelu, vyhodnocování a vyhodnocování. Použijte trénovací datové sady, které jsou k dispozici v projektu, nebo připojení ke zdrojům dat, jako jsou databáze, jezera dat nebo úložiště objektů. | Chcete jednoduchý způsob, jak prozkoumat data a definovat toky trénování modelu, vyhodnocení a přidělení skóre. |
| RStudio | Analyzujte data a sestavujte a testujte modely pomocí R v RStudio. | Chcete použít vývojové prostředí pro práci v R. |
| Decision Optimization | Příprava dat, import modelů, řešení problémů a porovnání scénářů, vizualizace dat, hledání řešení, vytváření sestav a ukládání modelů pro implementaci pomocí produktu Watson Machine Learning. | Musíte vyhodnotit miliony možností, abyste našli nejlepší řešení problému s preskriptivní analýzou. |
| Federované učení | Trénujte obecný model, který používá distribuovaná data. | Musíte trénovat model bez přesouvání, kombinování nebo sdílení dat, která jsou distribuována na více místech. |
Příklad: Modelová budova a školení Golden Bank
Datoví vědci ze společnosti Golden Bank vytvořili model "Model schvalování hypoték", který se vyhýbá neočekávanému riziku a zachází se všemi žadateli spravedlivě. Chtějí sledovat historii a výkon modelu od začátku, takže přidají příklad použití modelu do "katalogu schválení hypotéky". Spustí zápisník, aby sestavili model a předpověděli, kteří žadatelé se kvalifikují pro hypotéky. Podrobnosti trénování modelu jsou automaticky zachyceny jako metadata v příkladu použití modelu.
3. Nasazení modelů
Když členové provozního týmu implementují vaše modely AI, budou tyto modely k dispozici pro aplikace, které budou používat pro hodnocení a předpovědi, které vám pomohou řídit akce.
| Co můžete použít | Co můžete udělat | Nejlepší použít, když |
|---|---|---|
| Uživatelské rozhraní prostorů | Použijte uživatelské rozhraní prostorů k implementaci modelů a dalších aktiv z projektů do prostorů. | Chcete implementovat modely a zobrazit informace o implementaci v pracovním prostoru pro spolupráci. |
Příklad: Implementace modelu zlaté banky
Členové operačního týmu ve společnosti Golden Bank propagují "Model schválení hypotéky" z projektu do prostoru implementace a poté vytvoří online implementaci modelu.
4. Implementované modely monitorování
Po implementaci modelů je důležité je monitorovat, abyste se ujistili, že si vedou dobře. Datoví vědci musí sledovat problémy s výkonem modelu a konzistencí dat.
| Co můžete použít | Co můžete udělat | Nejlepší použít, když |
|---|---|---|
| Watson OpenScale | Problémy se spravedlností modelu monitorování v rámci více funkcí. Výkon modelu monitorování a konzistence dat v průběhu času. Vysvětlete, jak model dospěl k určitým předpovědím s váženými faktory. Udržujte a vykazujte řízení modelu a životní cyklus v rámci vaší organizace. |
Máte funkce, které jsou chráněné, nebo které mohou přispět ke spravedlnosti předpovědí. Chcete trasovat výkon modelu a konzistenci dat v průběhu času. Chcete vědět, proč model poskytuje určité předpovědi. |
Příklad: Monitorování modelu Golden Bank
Datoví vědci ze společnosti Golden Bank používají Watson OpenScale k monitorování nasazeného "modelu schválení hypotéky", aby se zajistilo, že je přesný a že se všemi žadateli o hypotéku Golden Bank zachází spravedlivě. Spustí zápisník pro nastavení monitorů pro model a poté vyladí konfiguraci pomocí uživatelského rozhraní Watson OpenScale . Pomocí metrik z monitoru kvality Watson OpenScale a spravedlivého monitorování určují datoví vědci, jak dobře model předpovídá výsledky a zda vytváří zkreslené výsledky. Také získají přehled o tom, jak model přichází k rozhodnutím, aby rozhodnutí mohla být vysvětlena žadatelům o hypotéku.
5. Automatizace životního cyklu ML
Váš tým může automatizovat a zjednodušit životní cyklus MLOps a AI pomocí Watson Pipelines.
| Co můžete použít | Co můžete udělat | Nejlepší použít, když |
|---|---|---|
| Watson Pipelines | Pomocí kanálů můžete vytvářet opakovatelné a naplánované toky, které automatizují přenosný počítač, Data Refinerya kanály pro strojové učení, od příjmu dat až po trénování, testování a implementaci modelu. | Chcete automatizovat některé nebo všechny kroky v toku MLOps. |
Příklad: Automatizovaný životní cyklus ML společnosti Golden Bank
Datoví vědci ze společnosti Golden Bank mohou využívat potrubní systémy k automatizaci svého kompletního životního cyklu Data Science a MLOps a procesů ke zjednodušení procesu rekvalifikace modelu.
Výukové programy pro datové vědy a MLOps
| Výukový program | Popis | Odborné znalosti pro výukový program |
|---|---|---|
| Koordinace propojení procesů AI s monitorováním modelu | Natrénujte model, povyšte jej do prostoru implementace a implementujte model. | Spusťte zápisník. |
| Koordinovat propojení procesů AI s integrací dat | Vytvořte komplexní propojení procesů, které připraví data a trénuje model. | K vytvoření propojení procesů použijte rozhraní Watson Pipelines . |
Další informace
Nadřízené téma: Přehled řešení datového prostředí Fabric