Para operacionalizar el análisis de datos y la creación de modelos, su empresa necesita sistemas y procesos integrados. Cloud Pak for Data as a Service proporciona los procesos y tecnologías para que su empresa pueda desarrollar y desplegar modelos de aprendizaje automático y otras aplicaciones de ciencia de datos.
Vea este vídeo para ver el caso de uso para implementar una solución de Data Science y MLOps.
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Dificultades
Puede resolver los siguientes retos para su empresa implementando un caso de uso de Data Science y MLOps:
- Acceso a datos de alta calidad
- Las organizaciones necesitan proporcionar un acceso fácil a datos gobernados de alta calidad para los equipos de ciencia de datos que utilizan los datos para crear modelos.
- Operacionalización de la creación y el despliegue de modelos
- Las organizaciones necesitan implementar procesos repetibles para crear y desplegar modelos de forma rápida y eficiente en entornos de producción.
- Supervisión y repetición de formación de modelos
- Las organizaciones necesitan automatizar la supervisión y el reciclaje de modelos basados en los comentarios de producción.
Ejemplo: Los retos de Golden Bank
Siga la historia de Golden Bank mientras implementa un proceso de Data Science y MLOps para expandir su negocio ofreciendo renovaciones de hipotecas de baja tasa para aplicaciones en línea. Los científicos de datos de Golden Bank necesitan crear un modelo de aprobación hipotecaria que evite el riesgo y trate a todos los solicitantes de forma justa. También deben automatizar el reentrenamiento del modelo para optimizar el rendimiento del modelo.
Proceso
Para implementar Data Science y MLOps para su empresa, su organización puede seguir este proceso:
- Preparar y compartir los datos
- Crear y entrenar modelos
- Desplegar modelos
- Supervisar modelos desplegados
- Automatice el ciclo de vida de IA
Los servicios watsonx.ai Studio, watsonx.ai Runtime, Watson OpenScale e IBM Knowledge Catalog en Cloud Pak for Data as a Service proporcionan las herramientas y procesos que su organización necesita para implementar una solución de Data Science y MLOps.
2. Crear y entrenar modelos
Para obtener información predictiva basada en sus datos, los científicos de datos, los analistas de negocio y los ingenieros de machine learning pueden crear y entrenar modelos. Los científicos de datos utilizan los servicios de Cloud Pak for Data as a Service para crear los modelos de IA, asegurándose de que se utilizan los algoritmos y optimizaciones adecuados para realizar predicciones que ayuden a resolver problemas de negocio.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| AutoAI | Use AutoAI in watsonx.ai Studio to automatically select algorithms, engineer features, generate pipeline candidates, and train model pipeline candidates. Then, evaluate the ranked pipelines and save the best as models. Deploy the trained models to a space, or export the model training pipeline that you like from AutoAI into a notebook to refine it. |
Desea una forma avanzada y automatizada de crear rápidamente un buen conjunto de conductos y modelos de entrenamiento. Desea poder exportar los conductos generados para refinarlos. |
| Cuadernos y scripts | Utilice cuadernos y scripts en watsonx.ai Studio para escribir su propio código de evaluación y entrenamiento de modelos de ingeniería de características en Python o R. Utilice conjuntos de datos de entrenamiento que estén disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos. Código con sus infraestructuras y bibliotecas de código abierto favoritas. |
Desea utilizar las habilidades de codificación Python o R para tener un control completo sobre el código que se utiliza para crear, entrenar y evaluar los modelos. |
| Flujos de SPSS Modeler | Utilice los flujos de SPSS Modeler en watsonx.ai Studio para crear sus propios flujos de entrenamiento, evaluación y puntuación de modelos. Utilice conjuntos de datos de entrenamiento disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos. | Desea una forma sencilla de explorar datos y definir flujos de entrenamiento, evaluación y puntuación de modelos. |
| RStudio | Analice datos y cree y pruebe modelos trabajando con R en RStudio. | Desea utilizar un entorno de desarrollo para trabajar en R. |
| Decision Optimization | Prepare datos, importe modelos, resuelva problemas y compare escenarios, visualice datos, encuentre soluciones, elabore informes y guarde modelos para desplegarlos con watsonx.ai Runtime. | Necesita evaluar millones de posibilidades para encontrar la mejor solución a un problema de analítica prescriptiva. |
| Aprendizaje federado | Entrene un modelo común que utilice datos distribuidos. | Es necesario entrenar un modelo sin mover, combinar o compartir datos que se distribuyen entre varias ubicaciones. |
Ejemplo: Formación y construcción de modelos de Golden Bank
Los científicos de datos de Golden Bank crean un modelo, "Modelo de aprobación hipotecaria", que evita riesgos imprevistos y trata a todos los solicitantes de forma justa. Desean realizar un seguimiento del historial y el rendimiento del modelo desde el principio, por lo que añaden un caso de uso de modelo al "Catálogo de aprobación de hipotecas". Ejecutan un cuaderno para crear el modelo y predecir qué solicitantes califican para las hipotecas. Los detalles del entrenamiento del modelo se capturan automáticamente como metadatos en el caso de uso del modelo.
3. Desplegar modelos
Cuando los miembros del equipo de operaciones despliegan sus modelos de IA, los modelos están disponibles para que las aplicaciones los utilicen para realizar puntuaciones y predicciones que ayuden a impulsar acciones.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Interfaz de usuario de espacios | Utilice la interfaz de usuario Espacios para desplegar modelos y otros activos de proyectos a espacios. | Desea desplegar modelos y ver información de despliegue en un espacio de trabajo colaborativo. |
Ejemplo: Despliegue del modelo de Golden Bank
Los miembros del equipo de operaciones de Golden Bank promocionan el "Modelo de aprobación de hipoteca" del proyecto a un espacio de despliegue y, a continuación, crean un despliegue de modelo en línea.
4. Supervisar modelos desplegados
Después de desplegar los modelos, es importante supervisarlos para asegurarse de que funcionan bien. Los científicos de datos deben observar el rendimiento del modelo y los problemas de coherencia de los datos.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Watson OpenScale | Problemas de equidad del modelo de supervisión en varias características. Supervisar el rendimiento del modelo y la coherencia de datos a lo largo del tiempo. Explicar cómo ha llegado el modelo a determinadas predicciones con factores ponderados. Mantener e informar sobre el gobierno del modelo y el ciclo de vida en toda la organización. |
Tiene características que están protegidas o que pueden contribuir a la equidad de la predicción. Desea rastrear el rendimiento del modelo y las coherencias de datos a lo largo del tiempo. Desea saber por qué el modelo proporciona determinadas predicciones. |
Ejemplo: supervisión del modelo de Golden Bank
Los científicos de datos de Golden Bank utilizan Watson OpenScale para supervisar el "Modelo de aprobación de hipotecas" desplegado para asegurarse de que es preciso y trata a todos los solicitantes de hipotecas de Golden Bank de forma justa. Ejecutan un cuaderno para configurar supervisores para el modelo y, a continuación, modificar la configuración utilizando la interfaz de usuario de Watson OpenScale . Utilizando las métricas del supervisor de calidad y del supervisor de equidad de Watson OpenScale , los científicos de datos determinan qué tan bien predice el modelo los resultados y si produce algún resultado sesgado. También obtienen información sobre cómo el modelo llega a las decisiones para que las decisiones se puedan explicar a los solicitantes de hipoteca.
5. Automatizar el ciclo de vida de IA
Su equipo puede automatizar y simplificar el ciclo de vida de MLOps e IA con Orchestration Pipelines.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Interconexiones de orquestación | Utilice las interconexiones para crear flujos repetibles y planificados que automatizan el cuaderno, Data Refineryy las interconexiones de aprendizaje automático, desde la ingestión de datos hasta el entrenamiento de modelos, las pruebas y el despliegue. | Desea automatizar algunos o todos los pasos de un flujo MLOps. |
Ejemplo: Ciclo de vida de ML automatizado de Golden Bank
Los científicos de datos de Golden Bank pueden utilizar conductos para automatizar su ciclo de vida completo de Data Science y MLOps y procesos para simplificar el proceso de repetición de formación de modelos.
Guías de aprendizaje para Data Science y MLOps
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Orquestar una interconexión de IA con supervisión de modelos | Entrenar un modelo, promocionarlo a un espacio de despliegue y desplegar el modelo. | Ejecutar un cuaderno. |
| Orquestar un conducto de IA con integración de datos | Cree una interconexión de extremo a extremo que prepare datos y entrene un modelo. | Utilice la interfaz de arrastrar y soltar de Orchestration Pipelines para crear una interconexión. |
Más información
Tema principal: Casos de uso