Data Science and MLOps use case

Powrót do angielskiej wersji dokumentacji

Aby zoperacjonalizować analizę danych i tworzenie modelu, przedsiębiorstwo potrzebuje zintegrowanych systemów i procesów. Cloud Pak for Data as a Service udostępnia procesy i technologie pozwalające przedsiębiorstwu na tworzenie i wdrażanie modeli uczenia maszynowego oraz innych aplikacji do nauki danych.

Obejrzyj ten film wideo, aby wyświetlić przypadek użycia sieci Fabric do zaimplementowania rozwiązania Data Science and MLOps w Cloud Pak for Data.

Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.

Wyzwania

Tworzenie rozwiązań z dziedziny Data Science i MLOps dla przedsiębiorstw wiąże się z rozwiązywaniem tych wyzwań:

Uzyskiwanie dostępu do wysokiej jakości danych: Organizacje muszą zapewnić łatwy dostęp do wysokiej jakości, zarządzanych danych dla zespołów do nauki danych, które wykorzystują dane do budowania modeli.
Operacjonalizowanie budowania modelu i wdrażania: Organizacje muszą implementować powtarzalne procesy, aby szybko i efektywnie budować i wdrażać modele w środowiskach produkcyjnych.
Modele monitorowania i przekwalifikowania: Organizacje muszą zautomatyzować monitorowanie i przekwalifikowanie modeli w oparciu o opinie produkcyjne.

Aby rozwiązać te problemy, należy zaimplementować sieć Fabric danych w systemie Cloud Pak for Data as a Service.

Przykład: wyzwania Golden Bank

Podążaj za historią Złotego Banku, ponieważ wdraża on proces Data Science i MLOps, aby rozszerzyć swoją działalność, oferując niskooprocentowane odnawianie kredytów hipotecznych dla aplikacji internetowych. Analitycy danych w Golden Bank muszą stworzyć model zatwierdzania kredytów hipotecznych, który pozwala uniknąć ryzyka i sprawiedliwie traktuje wszystkich wnioskodawców. Muszą one również zautomatyzować przekwalifikowanie modelu w celu zoptymalizowania wydajności modelu.

Proces

Aby zaimplementować program Data Science i MLOps dla przedsiębiorstwa, organizacja może śledzić ten proces:

Przygotowanie i współużytkowanie danych
Budowanie i szkolenie modeli
Wdrażanie modeli
Modele monitorowania
Zautomatyzuj cykl życia AI

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, których organizacja potrzebuje do zaimplementowania rozwiązania Data Science i MLOps.

Obraz przedstawiający przepływ wielkości liter w nauce danych

Naukowcy danych mogą przygotować własne zestawy danych i udostępniać je w katalogu. Katalog służy jako składnica składników, w której zespoły naukowców danych mogą znaleźć wysokiej jakości zasoby danych z funkcjami, których potrzebują. Mogą one dodawać zasoby danych z katalogu do projektu, w którym współpracują w celu przygotowania, analizy i modelowania danych.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Data Refinery	Dostęp i doprecyzowanie danych pochodzących z różnych połączeń źródeł danych. Materializuje wynikowe zestawy danych jako obrazy stanu w czasie, które mogą łączyć, łączyć lub filtrować dane dla innych naukowców danych w celu analizowania i eksplorowania. Utwórz wynikowe zestawy danych dostępne w katalogach.	Należy zwizualizować dane, gdy chcesz je ukształtować lub oczyścić. Chcesz uprościć proces przygotowywania dużych ilości danych surowych do analizy.
Katalogi	Użyj katalogów w Watson Knowledge Catalog jako składnicy składników w celu zorganizowania zasobów do współużytkowania wśród współpracowników w organizacji. Należy skorzystać z wyszukiwania i rekomendacji semantycznych opartych na AI, aby pomóc użytkownikom w znalezieniu tego, co jest im potrzebne.	Użytkownicy muszą łatwo zrozumieć, współpracować, wzbogacać i uzyskiwać dostęp do wysokiej jakości danych. Użytkownik chce zwiększyć widoczność danych i współpracę między użytkownikami biznesowymi. Użytkownicy muszą wyświetlać, uzyskiwać dostęp do danych, manipulować nimi i analizować dane bez zrozumienia jego fizycznego formatu lub lokalizacji, a także bez konieczności przenoszenia lub kopiowania danych. Chcesz, aby użytkownicy zwiększyli zasoby według ocen i ich przeglądu.

Przykład: katalog Golden Bank

Lider zespołu ds. zarządzania tworzy katalog, "katalog zatwierdzania kredytów hipotecznych" i dodaje zarządców danych i naukowców danych jako współpracowników katalogu. Zarządcy danych publikują zasoby danych, które zostały utworzone w katalogu. Naukowcy danych znajdują zasoby danych, kurowane przez dane zarządcze, w katalogu i kopiują te zasoby aplikacyjne do projektu. W swoim projekcie naukowcy danych mogą dopracować dane, aby przygotować go do szkolenia modelu.

2. Buduj i trenuj modele

Aby uzyskać predykcyjne spostrzeżenia oparte na danych, naukowcy danych, analitycy biznesowi i inżynierowie uczenia maszynowego mogą budować i trenować modele. Analitycy danych używają 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 programie Watson Studio , aby automatycznie wybierać algorytmy, funkcje inżyniera, generować kandydatów do rurociągów oraz kandydatów do rurociągów modelu. Następnie należy ocenić ocenione rurociągi i zapisać najlepsze modele. Wdróż przeszkolone modele w obszarze lub wyeksportuj gazocię modelową, którą lubisz AutoAI , do notatnika, aby go doprecyzować.	Użytkownik chce, aby zaawansowany i zautomatyzowany sposób zbudował dobry zestaw rurociągów szkoleniowych i modeli. Chcesz mieć możliwość eksportowania wygenerowanych rurociągów w celu ich dopracowania.
Notebooki i skrypty	Za pomocą notatników i skryptów w produkcie Watson Studio można napisać własny kod szkoleniowy i kod oceny w języku Python lub R. Użyj zestawów danych uczących, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub obiektowa pamięć masowa. Kod z ulubionymi otwartymi środowiskami źródłowymi i bibliotekami.	Użytkownik chce użyć umiejętności kodowania Python lub R, aby mieć pełną kontrolę nad kodem, który jest używany do tworzenia, uczenia i oceny modeli.
przepływy programuSPSS Modeler	Za pomocą przepływów SPSS Modeler w programie Watson Studio można tworzyć własne modele szkolenia, oceny i oceniania przepływów. Użyj zestawów danych uczących, które są dostępne w projekcie, lub połączeń ze źródłami danych, takimi jak bazy danych, jeziora danych lub pamięć masowa obiektów.	Użytkownik chce, aby prosty sposób eksplorowania danych i definiowania modelu szkolenia, oceny i oceniania przepływów.
RStudio	Analizowanie danych oraz budowanie i testowanie modeli poprzez pracę z R w RStudio.	Użytkownik chce użyć środowiska programistycznego do pracy w R.
Decision Optimization	Przygotowywanie danych, importowanie modeli, rozwiązywanie problemów i porównywanie scenariuszy, wizualizowanie danych, znajdowanie rozwiązań, tworzenie raportów i zapisywanie modeli w celu wdrożenia przy użyciu produktu Watson Machine Learning.	Musisz ocenić miliony możliwości, aby znaleźć najlepsze rozwiązanie problemu z analityką przepisową.
Uczenie stowarzyszone	Trenuj wspólny model, który wykorzystuje dane rozproszone.	Należy szkolić model bez przenoszenia, łączenia lub współużytkowania danych, które są rozproszone w wielu lokalizacjach.

Przykład: budowa i szkolenie modelu Golden Bank

Naukowcy danych w Golden Bank tworzą model, "Model zatwierdzania kredytów hipotecznych", który pozwala uniknąć nieprzewidywanego ryzyka i traktuje wszystkich wnioskodawców sprawiedliwie. Chcą śledzić historię i wydajność modelu od samego początku, dlatego dodają do niego model case use do "Mortgage Approval Catalog" (Katalog Zatwierdzania Kredytów Hipotecznych). Oni uruchamiają notatnik, aby zbudować model i przewidzieć, które wnioskodawcy kwalifikują się do hipotek. Szczegóły dotyczące szkolenia modelu są automatycznie przechwytywane jako metadane w przypadku użycia modelu.

3. Wdrażanie modeli

Gdy członkowie zespołu ds. operacji wdrażają modele AI, modele stają się dostępne dla aplikacji, które mają być używane do oceniania i predykcji w celu wspomagania działań w napędzie.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Interfejs użytkownika obszarów	Interfejs użytkownika Spaces 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: wdrożenie modelu Golden Bank

Członkowie zespołu ds. operacji w Golden Bank promują projekt "Model zatwierdzania kredytów hipotecznych" od projektu do miejsca wdrożenia, a następnie tworzy wdrożenie modelu w trybie z połączeniem.

4. Monitorowanie wdrożonych modeli

Po wdrożeniu modeli ważne jest, aby monitorować je, aby upewnić się, że działają poprawnie. Analitycy danych muszą obserwować, jak modelowa wydajność i spójność danych są modelowe.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Watson OpenScale	Monitorowanie modelu sprawiedliwości modelu w wielu funkcjach. Monitorowanie wydajności i spójności danych w czasie. Wyjaśnij, w jaki sposób model dotarł do określonych predykcji z ważonymi czynnikami. Obsługa i raportowanie modelu zarządzania i cyklu życia w całej organizacji.	Dostępne są opcje chronione lub które mogą przyczyniać się do zapewnienia rzetelności predykcji. Użytkownik chce śledzić wydajność modelu i spójność danych w czasie. Użytkownik chce wiedzieć, dlaczego model daje określone predykcje.

Przykład: Model monitorowania modelu Golden Bank

Analitycy danych w Golden Bank wykorzystują Watson OpenScale do monitorowania wdrożonego modelu "Mortgage Approval Model" (Model Kredytu Hipotecznego) w celu zapewnienia rzetelnego i rzetelnego traktowania wszystkich wnioskodawców kredytów hipotecznych typu Golden Bank (Golden Bank). Użytkownicy uruchamiają notatnik w celu skonfigurowania monitorów dla modelu, a następnie tosłabiają konfigurację za pomocą interfejsu użytkownika Watson OpenScale . Korzystając z pomiarów z monitora jakości Watson OpenScale i monitora wartości godziwości, dane naukowcy określają, jak dobrze model przewiduje wyniki, a także, czy wyniki są tendencyjnie osiągane w sposób dwustronny. Dostają też spostrzeżenia na temat tego, jak model przychodzi do decyzji, aby decyzje można było tłumaczyć aplikantami hipotecznymi.

5. Automatyzacja cyklu życia ML

Zespół ten może zautomatyzować i uprościć cykl życia MLOps i AI przy użyciu Watson Pipelines.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Watson Pipelines	Rurociągi umożliwiają tworzenie powtarzalnych i zaplanowanych przepływów, które automatyzują notatnik, Data Refineryi potokowe uczenie maszynowe, począwszy od przyjmowania danych w celu modelowania, testowania i wdrażania.	Użytkownik chce zautomatyzować niektóre lub wszystkie kroki w przepływie MLOps.

Przykład: zautomatyzowany cykl życia ML w Golden Bank

Naukowcy danych w Golden Bank mogą korzystać z rurociągów, aby zautomatyzować swoje kompletne dane Data Science i MLOps, a także procesy upraszczające proces przekwalifikowania modelu.

Kursy dla Data Science i MLOps

Samouczek	Opis	Ekspertyza dla kursu
Harmonizowanie potoku AI z monitorowaniem modelu	Trenuj model, awansuj go do miejsca wdrożenia i wdróż model.	Uruchom notatnik.
Harmonizowanie potoku AI z integracją danych	Utwórz potok typu end-to-end, który przygotowuje dane i pociągi modelu.	Użyj interfejsu przeciągania i upuszczania Watson Pipelines , aby utworzyć potok.

Więcej inform.

Temat nadrzędny: Przegląd rozwiązania dla sieci Fabric