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
- Kuruluşlar, modelleri oluşturmak için verileri kullanan veri bilimi ekipleri için yüksek kaliteye, yönetilen verilere kolay erişim sağlamanız gerekir.
- Model oluşturma ve devreye alma işlemleri
- Kuruluşların, modelleri üretim ortamlarına hızlı ve verimli bir şekilde oluşturmak ve devreye almak için yinelenebilir süreçlerin uygulanması gerekir.
- Modellerin izlenmesi ve yeniden eğitim yapılması
- Kuruluşların üretim geribildirimlerine dayalı olarak modellerin izlenmesini ve yeniden eğitimlerini otomatikleştirmeleri 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:
- Verileri hazırla ve paylaş
- Modellerin oluşturulması ve eğitilmesi
- Modeli devreye alma
- Monitor Model'ler
- 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.
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 Boşluk 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 Pipelines | 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 bir Yapay AI boru hattı düzenlemesi | Verileri hazırlayan ve model olan uçtan uca bir ardışık düzen oluşturun. | Bir ardışık düzen oluşturmak için Watson Pipelines sürükle ve bırak arabirimini kullanın. |