Translation not up to date
Aby można było operować analizą danych i tworzeniem modeli, przedsiębiorstwo potrzebuje zintegrowanych systemów i procesów. Cloud Pak for Data as a Service udostępnia procesy i technologie, które umożliwiają przedsiębiorstwu tworzenie i wdrażanie modeli uczenia maszynowego i innych aplikacji do analityki danych.
Obejrzyj ten film wideo, aby zapoznać się z przypadkiem użycia implementacji rozwiązania Data Science and MLOps.
Ten film wideo zawiera wizualną metodę zapoznawania się z pojęciami i zadaniami opisanymi w tej dokumentacji.
Wyzwania
Implementując rozwiązanie Data Science and MLOps, można rozwiązać następujące problemy w przedsiębiorstwie:
- Uzyskiwanie dostępu do danych wysokiej jakości
- Organizacje muszą zapewnić łatwy dostęp do wysokiej jakości, nadzorowanych danych dla zespołów analityki danych, które wykorzystują te dane do budowania modeli.
- Tworzenie i wdrażanie modeli
- Organizacje muszą implementować powtarzalne procesy, aby szybko i efektywnie budować i wdrażać modele w środowiskach produkcyjnych.
- Monitorowanie i ponowne trenowanie modeli
- Organizacje muszą zautomatyzować monitorowanie i ponowne szkolenie modeli w oparciu o opinie produkcyjne.
Przykład: wyzwania związane z Złotym Bankiem
Zobacz historię Golden Bank, wdrażając proces Data Science i MLOps, aby rozszerzyć swoją działalność, oferując niskoprocentowe odnawianie kredytów hipotecznych na potrzeby aplikacji internetowych. Analitycy danych w Golden Bank muszą stworzyć model zatwierdzania kredytów hipotecznych, który pozwoli uniknąć ryzyka i sprawiedliwie traktować wszystkich wnioskodawców. Muszą również zautomatyzować ponowne trenowanie modelu, aby zoptymalizować jego wydajność.
Proces
Aby zaimplementować narzędzia Data Science i MLOps dla przedsiębiorstwa, organizacja może postępować zgodnie z następującym procesem:
- Przygotowanie i współużytkowanie danych
- Budowanie i trenowanie modeli
- Wdrażanie modeli
- Modele monitorowania
- Automatyzacja cyklu życia sztucznej inteligencji
Usługi Watson Studio, Watson Machine Learning, Watson OpenScalei Watson Knowledge Catalog w ramach usługi Cloud Pak for Data as a Service udostępniają narzędzia i procesy potrzebne organizacji do zaimplementowania rozwiązania Data Science and MLOps.
2. Budowanie i trenowanie modeli
Analitycy danych, analitycy danych, analitycy biznesowi i inżynierowie ds. uczenia maszynowego mogą tworzyć i trenować modele. Analitycy danych korzystają z usług Cloud Pak for Data as a Service do budowania modeli AI, zapewniając, że odpowiednie algorytmy i optymalizacje są używane do tworzenia predykcji, które pomagają w rozwiązywaniu problemów biznesowych.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| AutoAI | Użyj opcji AutoAI w Watson Studio , aby automatycznie wybrać algorytmy, funkcje inżynierskie, wygenerować kandydatów do potoku i kandydatów do potoku modelu. Następnie oceń ocenione potoki i zapisz najlepsze jako modele. Wdróż wytrenowane modele w obszarze lub wyeksportuj potok szkoleniowy modelu, który lubisz, z obszaru AutoAI do notatnika, aby go doprecyzować. |
Potrzebny jest zaawansowany i zautomatyzowany sposób szybkiego budowania dobrego zestawu potoków i modeli treningowych. Użytkownik chce mieć możliwość eksportowania wygenerowanych potoków w celu ich doprecyzowania. |
| Notebooki i skrypty | Użyj notatników i skryptów w Watson Studio , aby napisać własny trening z modelem inżynierskim funkcji i kod ewaluacyjny w języku Python lub R. Użyj zestawów danych treningowych, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowa pamięć masowa. Kod z ulubionymi środowiskami i bibliotekami Open Source. |
Chcesz użyć umiejętności programowania w języku Python lub R, aby mieć pełną kontrolę nad kodem używanym do tworzenia, trenowania i oceniania modeli. |
| przepływySPSS Modeler | Przepływy SPSS Modeler w Watson Studio umożliwiają tworzenie własnych przepływów uczenia, ewaluacji i oceniania modeli. Użyj zestawów danych treningowych, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowa pamięć masowa. | Potrzebujesz prostego sposobu na eksplorację danych i definiowanie przepływów uczenia, ewaluacji i oceniania modelu. |
| RStudio | Analizuj dane oraz buduj i testuj modele, pracując z R w RStudio. | Chcesz użyć środowiska programistycznego do pracy w języku R. |
| Decision Optimization | Przygotuj dane, zaimportuj modele, rozwiąż problemy i porównaj scenariusze, zwizualizuj dane, znajdź rozwiązania, utwórz raporty i zapisz modele do wdrożenia za pomocą rozwiązania Watson Machine Learning. | Musisz ocenić miliony możliwości, aby znaleźć najlepsze rozwiązanie problemu z analizą preskryptywną. |
| Stowarzyszona nauka | Wytrenuj wspólny model, który korzysta z danych rozproszonych. | Model należy trenować bez przenoszenia, łączenia lub współużytkowania danych, które są rozproszone w wielu lokalizacjach. |
Przykład: Budowa i szkolenie modelu Golden Bank
Analitycy danych w Golden Bank tworzą model "Mortgage Approval Model", który pozwala uniknąć nieprzewidzianego ryzyka i sprawiedliwie traktuje wszystkich kandydatów. Chcą śledzić historię i wydajność modelu od początku, więc dodają przypadek użycia modelu do katalogu "Mortgage Approval Catalog" (Katalog zatwierdzania kredytów hipotecznych). Uruchamiają notatnik, aby zbudować model i przewidzieć, którzy kandydaci kwalifikują się do kredytów hipotecznych. Szczegóły treningu modelu są automatycznie przechwytywane jako metadane w przypadku użycia modelu.
3. Wdrażanie modeli
Gdy członkowie zespołu operacyjnego wdrażają modele AI, stają się one dostępne dla aplikacji, które mogą być używane do oceniania i przewidywania w celu wspomagania działań.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Interfejs użytkownika przestrzeni | Interfejs użytkownika aplikacji Obszary służy do wdrażania modeli i innych zasobów aplikacyjnych z projektów do obszarów. | Użytkownik chce wdrożyć modele i wyświetlić informacje o wdrożeniu w grupowym obszarze roboczym. |
Przykład: wdrażanie modelu Golden Bank
Członkowie zespołu operacyjnego w banku Golden Bank promują model "Mortgage Approval Model" (Model zatwierdzania kredytów hipotecznych) z projektu do obszaru wdrażania, a następnie tworzą wdrożenie modelu w trybie z połączeniem.
4. Modele wdrożone w programie Monitor
Po wdrożeniu modeli należy je monitorować, aby upewnić się, że działają poprawnie. Analitycy danych muszą obserwować problemy z wydajnością modelu i spójnością danych.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson OpenScale | Problemy z jasnością modelu monitorowania w wielu funkcjach. Wydajność modelu monitorowania i spójność danych w czasie. Wyjaśnij, w jaki sposób model dotarł do pewnych predykcji z ważonymi czynnikami. Zachować nadzór nad modelem i jego cykl życia oraz generować raporty na ich temat w całej organizacji. |
Istnieją funkcje, które są chronione lub mogą przyczynić się do zapewnienia rzetelności predykcji. Chcesz śledzić wydajność modelu i spójność danych w czasie. Chcesz wiedzieć, dlaczego model daje pewne predykcje. |
Przykład: monitorowanie modelu Golden Bank
Analitycy danych z Golden Bank używają rozwiązania Watson OpenScale do monitorowania wdrożonego modelu "Mortgage Approval Model" (Model zatwierdzania kredytów hipotecznych), aby zapewnić jego dokładność i sprawiedliwe traktowanie wszystkich wnioskodawców ubiegających się o kredyt hipoteczny z Golden Bank. Użytkownicy uruchamiają notatnik w celu skonfigurowania monitorów dla modelu, a następnie dotrą konfigurację za pomocą interfejsu użytkownika Watson OpenScale . Korzystając z pomiarów z monitora jakości i monitora sprawiedliwości Watson OpenScale , analitycy danych określają, jak dobrze model przewiduje wyniki i czy generuje wyniki obciążone uprzedzeń. Uzyskają również informacje na temat sposobu, w jaki model odnosi się do decyzji, tak aby decyzje można było wyjaśnić wnioskodawcom ubiegającym się o kredyt hipoteczny.
5. Zautomatyzuj cykl życia ML
Dzięki rozwiązaniu Watson PipelinesTwój zespół może zautomatyzować i uprościć cykl życia technologii MLOps i AI.
| Co można użyć | Co można zrobić | Najlepiej używać, gdy |
|---|---|---|
| Watson Pipelines | Za pomocą potoków można tworzyć powtarzalne i zaplanowane przepływy, które automatyzują potoki notatników, Data Refineryi uczenia maszynowego, od przyjmowania danych do uczenia modelowego, testowania i wdrażania. | Chcesz zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps. |
Przykład: zautomatyzowany cykl życia ML Golden Bank
Analitycy danych w Golden Bank mogą korzystać z rurociągów do automatyzacji całego cyklu życia i procesów związanych z analityką danych i MLOps, aby uprościć proces przekwalifikowania modelu.
Kursy dotyczące analityki danych i MLOps
| Samouczek | Opis | Wiedza specjalistyczna na potrzeby kursu |
|---|---|---|
| Harmonizacja potoku AI z monitorowaniem modelu | Wytrenuj model, awansuj go do obszaru wdrażania i wdróż model. | Uruchom notatnik. |
| Harmonizacja potoku AI z integracją danych | Utwórz kompleksowy potok, który przygotowuje dane i trenuje model. | Aby utworzyć potok, użyj interfejsu Watson Pipelines przeciągania i upuszczania. |
Więcej inform.
- Przegląd produktuWatson Studio
- Watson Machine Learning -przegląd
- Przegląd produktuWatson OpenScale
- Przegląd produktuWatson Knowledge Catalog
- Wideo
Temat nadrzędny: Przegląd rozwiązania do obsługi sieci światłowodowej danych