0 / 0
Belgelerin İngilizce sürümü ' ne geri dönün.
Data Science ve MLOps kullanım senaryosu
Data Science ve MLOps kullanım senaryosu

Data Science ve MLOps kullanım senaryosu

Veri analizi ve model oluşturma işlemini işleme almak için, şirketinizin bütünleştirilmiş sistemlere ve süreçlere gereksinim duyması gerekir. Cloud Pak for Data as a Service , işletmeniz makine öğrenimi modellerini ve diğer veri bilimi uygulamalarını geliştirmesini ve devreye almalarını sağlamak için süreçleri ve teknolojileri sağlar.

Watch this video to see the data fabric use case for implementing a Data Science and MLOps solution in Cloud Pak for Data.

Bu video, bu belgelerdeki yazılı adımların izlenmesine alternatif olarak bir görsel yöntem sağlar.

Zorluklar

Kuruluşlar için Veri Bilim ve MLOps çözümlerinin oluşturulması, bu zorlukların üstesinden gelmekte olan çözümlerle ilgilidir:

Yüksek kaliteli verilere erişilmesi
Kuruluşlarının yüksek kaliteye kolay erişim sağlaması ve modelleri oluşturmak için verileri kullanan veri bilimi ekipleri için yönetilen verilere gereksinim vardır.

Model oluşturma ve devreye alma işlemleri
Kuruluşlarının, modelleri üretim ortamlarıyla hızlı ve verimli bir şekilde oluşturmak ve devreye almak için yinelenebilir süreçleri gerçekleştirmesi gerekir.

Modellerin izlenmesi ve yeniden eğitilmesi
Kuruluşlarının, üretim geribildirimlerine dayalı olarak modellerin izlenmesini ve yeniden eğitimlerini otomatikleştirmesi gerekir.

Cloud Pak for Data as a Service(Hizmet Olarak Veri İçin Bulut Pak) üzerinde bir veri yöneltme yapısı uygulayarak bu zorlukları çözebilirsiniz.


Örnek: Altın Bankasının zorlukları

Online uygulamalar için düşük oranlı mortgage yenilemeleri sunarak işletmesini genişletmek için bir Veri Bilimi ve MLOps sürecini uyguladığı için Altın Bankası 'nın hikayesini takip edin. Altın Bankadaki veri bilimciler, riski önleyen ve tüm başvuru sahiplerine adil şekilde davranan bir mortgage onay modeli yaratması gerekiyor. Model performansını en iyi duruma getirmek için model yeniden eğitimlerini otomatikleştirmeleri gerekir.

Süreç

Kuruluşunuz için Veri Bilimi ve MLOps uygulamasını uygulamak üzere kuruluşunuz bu süreci takip edebilir:

  1. Verileri hazırla ve paylaş
  2. Modellerin oluşturulması ve eğitilmesi
  3. Modeli devreye alma
  4. Monitor Model'ler
  5. Yapay Zeka yaşam çevrimini otomatikleştirme

Cloud Pak for Data as a Service içindeki Watson Studio, Watson Machine Learning, Watson OpenScaleve Watson Knowledge Catalog hizmetleri, kuruluşunuzun bir Veri Bilimi ve MLOps çözümünü uygulamak için gereksinim duyduğu araçları ve süreçleri sağlar.

Veri bilimi kullanım senaryolarının akışını gösteren resim

1. Verileri hazırlayın ve paylaşın

Veri bilimcileri kendi veri kümelerini hazırlayabilir ve bir katalogda paylaşabilirler. Katalog, veri bilimci ekiplerinizin gereksinim dudukları özelliklerle yüksek kaliteli veri varlıklarını bulabileceği bir özellik deposu olarak hizmet verir. Bir katalogdan, verileri hazırlamak, analiz etmek ve modellemek için işbirliği yapmaları gereken bir projeye veri varlıkları ekleyebilirler.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Data Refinery Çeşitli veri kaynağı bağlantılarından veri erişimi ve verileri iyileştirin.

Sonuçtaki veri kümelerini, diğer veri bilimcilerin analiz etmesi ve araştırılması için verileri birleştirebilecek, birleştirebileceği ya da süzgeçten geçirebilecek bir zamanda anlık görüntüler olarak oluşturur.

Kataloglarda elde edilen veri kümelerini oluşturun.
Verileri şekillendirmek ya da temizlemek istediğinizde görselleştirmeniz gerekir.

Çözümlemek üzere çok miktarda işlenmemiş veri hazırlama işlemini basitleştirmek istiyorsunuz.
Kataloglar Kuruluşunuzdaki işbirlikçileri arasında paylaşmak üzere varlıklarınızı düzenlemek için bir özellik deposu olarak Watson Knowledge Catalog ' daki katalogları kullanın.

Kullanıcıların neye gereksinim duduklarını bulmalarına yardımcı olmak için AI destekli semantik arama ve önerilerden yararlanın.
Kullanıcılarınızın, yüksek kaliteli verileri kolayca anlamanız, işbirliği yapmak, zenginleştirmek ve bunlara erişmeleri gerekir.

İş kullanıcıları arasında veri ve işbirliği görünürlüğünü artırmak istiyorsunuz.

Kullanıcıların, fiziksel biçimini ya da konumunu anlamadan ve bu verileri taşımadan veya kopyalamadan görüntülemesi, erişmeleri, işlemeleri ve analiz etmesi gerekir.

Kullanıcıların, varlıkları derecelendirerek ve gözden geçirerek varlıkları geliştirmesini istiyorsunuz.


Örnek: Golden Bank 'ın kataloğu

Yönetişim ekibi lideri, "Mortgage Onay Kataloğu" adlı bir katalog oluşturur ve veri uzmanlarını ve veri bilimcisini katalog işbirlikçileri olarak ekler. Veri Stewardları, katalogda oluşturdukları veri varlıklarını yayınlarlar. Veri bilimciler veri varlıklarını buluyor, veri varlıklarına ait verileri katalogda buluyor ve bu varlıkları bir projeye kopyalıyor. Bu projede, veri bilimciler, bir modeli eğitim almak için hazırlayacak verileri iyileştirebilir.


2. model oluşturma ve tren modelleri

Verileriniz, veri bilimcileri, iş analistleri ve makine öğrenimi mühendislerine dayalı tahmine dayalı öngörüler elde etmek için modeller oluşturabilir ve eğitebilirsiniz. Veri bilimcileri, yapay zeka modellerini oluşturmak için Cloud Pak for Data as a Service hizmetlerini kullanır, doğru algoritmaların ve eniyilemelerin iş sorunlarını çözmeye yardımcı olan tahminler yapmak için kullanılmasını sağlar.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
AutoAI Algoritmaları, mühendis özelliklerini otomatik olarak seçmek, boru hattı adayları oluşturmak ve model boru hattı adaylarını yetiştirmek için Watson Studio içinde AutoAI 'yi kullanın.

Daha sonra, sıralı ardışık düzenleri değerlendirin ve en iyi modelleri modeller olarak kaydedin.

Eğitilmiş modelleri bir alana konuşlandırın ya da AutoAI ' den beğendiğiniz model eğitim hattını, rafine etmek için bir not defterine aktarın.
Hızlı bir eğitim boru hattı ve modelleri hızlı bir şekilde inşa etmek için gelişmiş ve otomatikleştirilmiş bir yol istiyorsunuz.

Oluşturulan ardışık düzenleri, bunları daraltmak için dışa aktarabilmek istiyorsunuz.
Defterler ve komut dosyaları Use notebooks and scripts in Watson Studio to write your own feature engineering model training and evaluation code in Python or R. Projede kullanılabilir olan eğitim verileri kümelerini ya da veritabanları, veri gölleri ya da nesne depolaması gibi veri kaynaklarına yönelik bağlantıları kullanın.

En sevdiğiniz açık kaynak çerçevelerine ve kitaplıklarına sahipCodeCode.
Python ya da R kodlama becerilerinin, modelleri yaratmak, eğitmek ve modellemek için kullanılan kod üzerinde tam denetime sahip olması için kullanmak istiyorsunuz.
SPSS Modeler akışları Kendi model eğitiminizi, değerlendirmelerinizi ve puanlama akışlarınızı oluşturmak için SPSS Modeler akışlarını Watson Studio içinde kullanın. Projede kullanılabilir olan eğitim verileri kümelerini ya da veritabanları, veri gölleri ya da nesne deposu gibi veri kaynaklarıyla bağlantı kurar. Verilerin araştırılması ve model eğitimi, değerlendirme ve puanlama akışlarının tanımlanması için basit bir yöntem olmasını istiyorsunuz.
RStudio RStudio 'da R ile çalışarak verileri ve oluşturma ve test modellerini analiz edin. R içinde çalışmak üzere bir geliştirme ortamı kullanmak istiyorsunuz.
Decision Optimization Prepare data, import models, solve problems and compare scenarios, visualize data, find solutions, produce reports, and save models to deploy with Watson Machine Learning. Bir normatif analitik sorununa en iyi çözümü bulmak için milyonlarca olasılığı değerlendirmeniz gerekir.
Birleşik öğrenim Dağıtılmış verileri kullanan ortak bir modeli eğitin. Birden çok konumda dağıtılmış verileri taşımadan, birleştirmeden ya da paylaşılmadan bir model eğitmeniz gerekir.


Örnek: Altın Bankasının model binası ve eğitimi

"Golden Bank" daki veri bilimciler, öngörülmeyen riski önleyen ve tüm başvuru sahiplerine adil davranan bir model, "Mortgage Onay Modeli" oluştururdur. Modelin geçmişini ve performansını baştan izlemek istiyorlar, böylece "Mortgage Onay Kataloğu" na bir örnek kullanım senaryosu ekliyorlar. Modeli inşa etmek için bir not defteri işletiyorlar ve hangi başvuru sahiplerinin konut kredisi almaya hak kazanacaklarını tahmin ediyorlar. Model eğitiminin ayrıntıları, model kullanım senaryosında otomatik olarak meta veri olarak yakalanır.


3. Modeleri konuşlandır

Operasyon ekibi üyeleri AI modellerinizi dağıtırken, modeller, eylemlerin sürmesine yardımcı olmak için puanlama ve tahminler için kullanılacak uygulamalar için kullanılabilir duruma gelir.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Alanlar kullanıcı arabirimi Modelleri ve diğer varlıkları projelerden boşluklara yerleştirmek için Watson Machine Learning 'deki Spaces UI' yi kullanın. Modellerin konuşlandırılmasını ve konuşlandırma bilgilerinin işbirliğine dayalı bir çalışma alanında görüntülenmesini istiyorsunuz.


Örnek: Golden Bank 'ın model devreye alımı

Golden Bank 'daki operasyon ekibi, projeden bir konuşlandırma alanına "Mortgage Onay Modeli" yi tanıtıp, daha sonra çevrimiçi model bir devreye alma işlemi yaratıyor.


4. Monitor konuşlandırılan modeller

Modeller konuşlandırıldıktan sonra, iyi performans göstermelerini sağlamak için bunları izlemek önemlidir. Veri bilimcileri model performansı ve veri tutarlılığı sorunlarını izlemelidir.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Watson OpenScale Model eşitlik sorunlarını birden çok özellik arasında izleyin.

Monitor Model performansı ve zaman içinde veri tutarlılığı.

Modein, ağırlıklı etkenlerle belirli öngörülere nasıl varolduğunu açıklar.

Kuruluşunuz genelinde model yönetişimi ve yaşam çevrimi üzerinde bakım yapın ve raporlama yapın.
Korunmuş ya da öngörü adaletine katkıda bulunabilecek özellikiniz var.

Model performansını ve veri tutarlılıklarını zaman içinde izlemek istiyorsunuz.

Modele neden belirli tahminler verdiğini bilmek istiyorsunuz.


Örnek: Golden Bank 'ın model izleme

Altın Bankadaki veri bilimciler, doğru olduğundan emin olmak ve tüm Golden Bank mortgage adaylarını adil bir şekilde tedavi etmek için devreye alınan "Mortgage Onay Modeli" 'yi izlemek için Watson OpenScale ' i kullanmaktadır. Model için izleme programları ayarlamak ve daha sonra Watson OpenScale kullanıcı arabirimini kullanarak yapılandırmayı ayarlamak için bir not defteri çalıştırırlar. Using metrics from the Watson OpenScale quality monitor and fairness monitor, the data scientists determine how well the model predicts outcomes and if it produces any biased outcomes. Ayrıca, alınan kararların ipotek başvuranlarına açıklanabilmesi için, modelin kararlara nasıl geldiği konusunda da öngörüler elde ederler.


5. ML yaşam çevriminin otomatikleştirilmesi

Your team can automate and simplify the MLOps and AI lifecycle with Watson Pipelines.

Kullanabileniniz Yapabildiğiniz şey Aşağıdaki durumlarda kullanmak için en iyi
Watson Boru Hatları Not defterini, Data Refineryve makine öğrenimi boru hatlarını otomatikleştiren yinelenebilir ve zamanlanan akışları, veri ingestion 'dan model eğitimi, test etme ve devreye alma işlemlerini otomatikleştiren bir zamanlama ve zamanlanmış akışları oluşturmak için kullanılır. MLOps akışındaki adımların bazılarını ya da tümünü otomatikleştirmek istiyorsunuz.


Örnek: Altın Bankasının otomatik ML yaşam çevrimi

Altın Bankadaki veri bilimciler, veri hatlarını ve MLOps yaşam çevrimini ve süreçlerini otomatikleştirmek için boru hatlarını kullanarak model yeniden eğitim sürecini basitleştirmek için kullanabiliyor.


Veri Bilimi ve MLOps Eğitmenleri

Eğitici Program Tanım Eğitmen için uzmanlık
Model izleme ile bir yapay zeka ardışık düzeni düzenlemesi Bir modeli eğitin, konuşlandırma alanına yükselt ve modeli konuşlandırın. Bir not defteri çalıştırın.
Veri Bütünleştirmesi ile birlikte orkestra ve yapay zeka boru hattı Verileri hazırlayan ve model olan uçtan uca bir ardışık düzen oluşturun. Bir ardışık düzen oluşturmak için Watson Boru Hatları sürükle ve bırak arabirimini kullanın.

Ek bilgi

Üst konu: Veri yöneltme yapısı çözümlerine genel bakış