Przypadek użycia Data Science i 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

Przypadek użycia Data Science i MLOps

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.

Obraz przedstawiający przepływ przypadku użycia analityki danych

Analitycy danych mogą przygotować własne zestawy danych i udostępnić je w katalogu. Katalog służy jako sklep funkcjonalny, w którym zespoły analityków danych mogą znaleźć wysokiej jakości zasoby danych z funkcjami, których potrzebują. Mogą oni dodawać zasoby danych z katalogu do projektu, w którym współpracują w celu przygotowania, analizowania i modelowania danych.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Data Refinery	Uzyskiwanie dostępu do danych pochodzących z różnych połączeń ze źródłami danych i ich precyzowanie. Materializowanie wynikowych zestawów danych jako obrazów stanu w czasie, które mogą łączyć, łączyć lub filtrować dane dla innych analityków danych w celu ich analizowania i eksplorowania. Udostępnianie wynikowych zestawów danych w katalogach.	Dane należy zwizualizować, aby je ukształtować lub oczyścić. Aby uprościć proces przygotowywania dużych ilości danych surowych do analizy.
Katalogi	Katalogi w produkcie Watson Knowledge Catalog mogą być używane jako sklep funkcjonalny do organizowania zasobów, które mają być współużytkowane przez współpracowników w organizacji. Korzystanie z opartego na sztucznej inteligencji wyszukiwania semantycznego i rekomendacji ułatwiających użytkownikom znajdowanie potrzebnych informacji.	Użytkownicy muszą łatwo zrozumieć, współpracować, wzbogacić i uzyskać dostęp do danych o wysokiej jakości. Chcesz zwiększyć widoczność danych i współpracę między użytkownikami biznesowymi. Potrzebni są użytkownicy, którzy mogą wyświetlać, uzyskiwać dostęp do danych, manipulować nimi i je analizować bez zrozumienia ich fizycznego formatu lub położenia oraz bez konieczności przenoszenia lub kopiowania. Użytkownicy powinni ulepszać zasoby, oceniając je i przeglądając.

Przykład: katalog Golden Bank

Lider zespołu nadzoru tworzy katalog "Mortgage Approval Catalog" (Katalog zatwierdzania kredytów hipotecznych) i dodaje zarządców danych i analityków danych jako współpracowników katalogu. Zarządcy danych publikują utworzone przez siebie zasoby danych w katalogu. Analitycy danych znajdują zasoby danych, którymi kierują się zarządcy danych, w katalogu i kopiują je do projektu. W swoim projekcie analitycy danych mogą udoskonalić dane, aby przygotować je do trenowania modelu.

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.

Temat nadrzędny: Przegląd rozwiązania do obsługi sieci światłowodowej danych