Příklad použití datové vědy a MLOps

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Příklad použití datové vědy a MLOps

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.

Obrázek ukazující tok příkladu použití datové vědy

Datoví vědci mohou připravit vlastní datové sady a sdílet je v katalogu. Katalog slouží jako úložiště funkcí, kde vaše týmy datových vědců mohou najít vysoce kvalitní datová aktiva s funkcemi, které potřebují. Mohou přidávat datová aktiva z katalogu do projektu, kde spolupracují na přípravě, analýze a modelování dat.

Co můžete použít	Co můžete udělat	Nejlepší použít, když
Data Refinery	Přístup k datům z různých připojení zdrojů dat a jejich upřesnění. Materializujte výsledné datové sady jako snímky v čase, které mohou sloučit, spojit nebo filtrovat data pro další datové specialisty, aby je mohli analyzovat a zkoumat. Zpřístupněte výsledné datové sady v katalozích.	Potřebujete vizualizovat data, když je chcete formovat nebo vyčistit. Chcete zjednodušit proces přípravy velkého množství nezpracovaných dat pro analýzu.
Katalogy	Katalogy v produktu Watson Knowledge Catalog použijte jako úložiště funkcí k uspořádání aktiv, která mají být sdílena mezi spolupracovníky ve vaší organizaci. Využijte výhod sémantického vyhledávání založeného na umělé inteligenci a doporučení, která uživatelům pomohou najít to, co potřebují.	Uživatelé musí snadno pochopit, spolupracovat, obohatit a přistupovat k vysoce kvalitním datům. Chcete-li zvýšit viditelnost dat a spolupráci mezi firemními uživateli. Potřebujete, aby uživatelé zobrazovali, přistupovali, manipulovali a analyzovali data bez pochopení jejich fyzického formátu nebo umístění a aniž by je museli přesouvat nebo kopírovat. Chcete, aby uživatelé rozšířili svá aktiva jejich hodnocením a přezkoumáním.

Příklad: Katalog zlaté banky

Vedoucí týmu řízení vytvoří katalog "Katalog schvalování hypoték" a přidá datové správce a datové specialisty jako katalogové spolupracovníky. Správci dat publikují datová aktiva, která vytvořili, do katalogu. Datoví analytikové naleznou datová aktiva, jejichž kurátorem jsou správci dat, v katalogu a zkopírují je do projektu. Ve svém projektu mohou datoví vědci data upřesnit a připravit je na trénování modelu.

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