0 / 0
Go back to the English version of the documentation
Veri Bilimi ve MLOps kullanım senaryosu

Veri Bilimi ve MLOps kullanım senaryosu

Veri analizini ve model oluşturmayı operasyonel hale getirmek için kuruluşunuz bütünleştirilmiş sistemlere ve süreçlere gereksinim duyar. Cloud Pak for Data as a Service , kuruluşunuzun makine öğrenimi modellerini ve diğer veri bilimi uygulamalarını geliştirmesini ve devreye almasını sağlayacak süreçleri ve teknolojileri sağlar.

Bir Veri Bilimi ve MLOps çözümünün uygulanmasına ilişkin kullanım senaryolarını görmek için bu videoyu izleyin.

Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.

Yaşanan Zorluklar

Bir Veri Bilimi ve MLOps kullanım senaryosu uygulayarak kuruluşunuz için aşağıdaki zorlukları çözebilirsiniz:

Yüksek kaliteli verilere erişilmesi
Kuruluşların, model oluşturmak için verileri kullanan veri bilimi ekipleri için yüksek kaliteli, yönetilen verilere kolay erişim sağlaması gerekir.
Model oluşturma ve devreye alma işlemini işleme alma
Kuruluşların, modelleri hızlı ve verimli bir şekilde oluşturmak ve üretim ortamlarında devreye almak için yinelenebilir süreçler uygulaması gerekir.
Modellerin izlenmesi ve yeniden eğitilmesi
Kuruluşların, üretim geribildirimlerine dayalı olarak modellerin izlenmesini ve yeniden eğitilmesini otomatikleştirmeleri gerekir.

Örnek: Golden Bank 'ın zorlukları

Online başvurular için düşük faizli ipotek yenilemeleri sunarak işini genişletmek için bir Veri Bilimi ve MLOps süreci uygularken Golden Bank 'ın hikayesini takip edin. Golden Bank 'taki veri bilimcileri, riski önleyen ve tüm başvuru sahiplerine adil davranan bir ipotek onay modeli oluşturmalıdır. Model performansını optimize etmek için model yeniden eğitim sürecini de otomatikleştirmeleri gerekir.

Süreç

Kuruluşunuz için Veri Bilimi ve MLOps uygulamak üzere kuruluşunuz bu süreci izleyebilir:

  1. Verileri hazırlayın ve paylaşın
  2. Modelleri oluşturun ve eğitin
  3. Modelleri devreye al
  4. Monitor Model'ler
  5. Yapay zeka yaşam çevrimini otomatikleştirin

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 bunları bir katalogda paylaşabilirler. Katalog, veri bilimcisi ekiplerinizin gereksinim duydukları özelliklere sahip yüksek kaliteli veri varlıklarını bulabileceği bir özellik deposu görevi görür. Verileri hazırlamak, analiz etmek ve modellemek için işbirliği yaptıkları bir projeye bir katalogdan veri varlıkları ekleyebilirler.

Nelerin kullanılabileceğini Neler yapabilirsiniz? En iyi kullanım zamanı
Data Refinery Çeşitli veri kaynağı bağlantılarındaki verilere erişin ve verileri iyileştirin.

Sonuç veri kümelerini, diğer veri bilimcilerinin verileri analiz edip incelemesi için birleştirebilecek, birleştirebilecek ya da süzgeçten geçirebilecek anlık görüntüler olarak oluşturun.

Sonuç veri kümelerini kataloglarda kullanılabilir hale getirin.
Verileri biçimlendirmek ya da temizlemek istediğinizde görselleştirmeniz gerekir.

Büyük miktardaki işlenmemiş verileri analiz için hazırlama sürecini basitleştirmek istiyorsunuz.
Kataloglar Kuruluşunuzdaki işbirlikçiler arasında paylaşmak üzere varlıklarınızı düzenlemek için özellik mağazası olarak Watson Knowledge Catalog içindeki katalogları kullanın.

Kullanıcıların gereksinim duydukları şeyleri bulmalarına yardımcı olmak için yapay zeka destekli semantik arama ve önerilerden yararlanın.
Kullanıcılarınızın yüksek kaliteli verileri kolayca anlamaları, işbirliği yapmaları, zenginleştirmeleri ve bu verilere erişmeleri gerekir.

İş kullanıcıları arasındaki veri ve işbirliğinin görünürlüğünü artırmak istiyorsunuz.

Kullanıcıların fiziksel biçimini ya da konumunu anlamadan verileri görüntülemelerini, erişmelerini, işlemelerini ve analiz etmelerini ve bunları taşımalarını ya da kopyalamalarını istiyorsunuz.

Kullanıcıların varlıkları derecelendirerek ve gözden geçirerek geliştirmelerini istiyorsunuz.

Örnek: Golden Bank kataloğu

Yönetişim ekibi lideri, "Mortgage Onay Kataloğu" adlı bir katalog oluşturur ve veri sorumlilerini ve veri uzmanlarını katalog işbirlikçileri olarak ekler. Veri sorumlları, oluşturdukları veri varlıklarını katalogda yayınlar. Veri bilimcileri, veri sorumlilerinin küratörlüğünü yaptığı veri varlıklarını katalogda bulur ve bu varlıkları bir projeye kopyalar. Kendi projesinde, veri bilimcileri verileri bir modelin eğitimi için hazırlamak üzere daraltabilirler.


2. Modelleri oluşturun ve eğitin

Verilerinize dayalı tahmine dayalı öngörüler elde etmek için veri bilimcileri, iş analistleri ve makine öğrenimi mühendisleri modelleri oluşturabilir ve eğitebilir. Veri bilimcileri, iş sorunlarını çözmeye yardımcı olacak tahminler yapmak için doğru algoritmaların ve optimizasyonların kullanılmasını sağlayarak yapay zeka modellerini oluşturmak için Cloud Pak for Data as a Service hizmetlerini kullanır.

Nelerin kullanılabileceğini Neler yapabilirsiniz? En iyi kullanım zamanı
AutoAI Algoritmaları otomatik olarak seçmek, özellikleri tasarlamak, ardışık düzen adayları oluşturmak ve model ardışık düzen adaylarını eğitmek için Watson Studio içindeki AutoAI 'yi kullanın.

Daha sonra, derecelendirilmiş boru hatlarını değerlendirin ve en iyi modelleri model olarak kaydedin.

Eğitilmiş modelleri bir alanda devreye alın ya da AutoAI ' den istediğiniz model eğitim hattını bir dizüstü bilgisayara aktarın.
Hızlı bir şekilde iyi bir eğitim boru hattı ve modelleri kümesi oluşturmak için gelişmiş ve otomatikleştirilmiş bir yol istiyorsunuz.

Oluşturulan boru hatlarını daraltmak için dışa aktarabilmek istiyorsunuz.
Not defterleri ve komut dosyaları Python veya R ' de kendi özellik mühendisliği modeli eğitim ve değerlendirme kodunuzu yazmak için Watson Studio içindeki not defterlerini ve komut dosyalarını kullanın. Projede bulunan eğitim veri kümelerini ya da veritabanları, veri gölleri ya da nesne depolaması gibi veri kaynaklarına bağlantıları kullanın.

Sık kullandığınız açık kaynak çerçeveleri ve kitaplıkları içeren kod.
Modelleri oluşturmak, eğitmek ve değerlendirmek için kullanılan kod üzerinde tam denetime sahip olmak için Python ya da R kodlama becerilerini kullanmak istiyorsunuz.
SPSS Modeler akışları Kendi model eğitimi, değerlendirme ve puanlama akışlarınızı oluşturmak için Watson Studio içindeki SPSS Modeler akışlarını kullanın. Projede bulunan eğitim veri kümelerini ya da veritabanları, veri gölleri ya da nesne depolaması gibi veri kaynaklarına bağlantıları kullanın. Verileri keşfetmenin ve model eğitimi, değerlendirme ve puanlama akışlarını tanımlamanın basit bir yolunu istiyorsunuz.
RStudio RStudio 'da R ile çalışarak verileri analiz edin ve modelleri oluşturun ve test edin. R ' de çalışmak için bir geliştirme ortamı kullanmak istiyorsunuz.
Decision Optimization Watson Machine Learningile devreye almak için veri hazırlayın, modelleri içe aktarın, sorunları çözün ve senaryoları karşılaştırın, verileri görselleştirin, çözümleri bulun, raporlar oluşturun ve modelleri kaydedin. Normatif analitik sorununa en iyi çözümü bulmak için milyonlarca olasılığı değerlendirmeniz gerekir.
Birleşik öğrenim Dağıtılmış verileri kullanan ortak bir model eğitilsin. Bir modeli, birden çok konuma dağıtılan verileri taşımadan, birleştirmeden ya da paylaşmadan eğitmeniz gerekir.

Örnek: Golden Bank 'ın model oluşturma ve eğitimi

Golden Bank 'taki veri bilimcileri, beklenmedik riski önleyen ve tüm başvuru sahiplerine adil davranan "Mortgage Onay Modeli" adlı bir model oluşturmuştur. Modelin geçmişini ve performansını en başından izlemek istiyorlar, bu nedenle "Mortgage Onay Kataloğu" ne bir model kullanım senaryosu ekleyecekler. Modeli oluşturmak ve hangi başvuru sahiplerinin ipoteğe hak kazandıklarını tahmin etmek için bir defter çalıştırırlar. Model eğitiminin ayrıntıları, model kullanım senaryounda otomatik olarak meta veri olarak yakalanır.


3. Modelleri devreye alın

Operasyon ekibi üyeleri yapay zeka modellerinizi devreye aldığında, bu modeller, uygulamaların eylemleri teşvik etmeye yardımcı olmak üzere puanlama ve tahminler için kullanması için kullanılabilir hale gelir.

Nelerin kullanılabileceğini Neler yapabilirsiniz? En iyi kullanım zamanı
Alanlar kullanıcı arabirimi Projelerden alanlara model ve diğer varlıkları devreye almak için Alanlar UI 'sini kullanın. Modelleri konuşlandırmak ve konuşlandırma bilgilerini işbirliğine dayalı bir çalışma alanında görüntülemek istiyorsunuz.


Örnek: Golden Bank 'ın model devreye alımı

Golden Bank operasyon ekibi üyeleri, "Mortgage Onay Modeli" ni projeden devreye alma alanına yükseltir ve ardından çevrimiçi bir model devreye alımı yaratır.


4. Monitor konuşlandırılmış modeller

Modeller devreye alındıktan sonra, bunların iyi performans gösterdiğinden emin olmak için bunların izlenmesi önemlidir. Veri bilimcileri, model performansı ve veri tutarlılığı sorunlarını izlemelidir.

Nelerin kullanılabileceğini Neler yapabilirsiniz? En iyi kullanım zamanı
Watson OpenScale Birden çok özelliğe ilişkin model adaletsizliği sorunlarını izleyin.

Zaman içinde model performansını ve veri tutarlılığını izleyin.

Modelin belirli tahminlere nasıl geldiğini ağırlıklı faktörlerle açıklayın.

Kuruluşunuz genelinde model yönetişimini ve yaşam çevrimini koruyun ve raporlayın.
Korunan ya da öngörü adaletine katkıda bulunabilecek özelliklere sahipsiniz.

Model performansını ve veri tutarlılıklarını zaman içinde izlemek istiyorsunuz.

Modelin belirli tahminleri neden verdiğini bilmek istiyorsunuz.

Örnek: Golden Bank 'ın model izleme

Golden Bank veri bilimcileri, Watson OpenScale ürününü, devreye alınan "Mortgage Onay Modeli" ni izlemek için kullanarak, tüm Golden Bank konut kredisi başvurularının doğru olduğundan ve bunlara adil bir şekilde davrandığından emin olur. Modele ilişkin monitörleri ayarlamak için bir dizüstü bilgisayar çalıştırır ve ardından Watson OpenScale kullanıcı arabirimini kullanarak yapılandırmayı ayarlarlar. Watson OpenScale kalite monitörü ve adalet monitörü ölçümlerini kullanan veri bilimcileri, modelin sonuçları ne kadar iyi tahmin ettiğini ve herhangi bir önyargılı sonuç üretilip üretmediğini belirler. Ayrıca, kararların ipotek başvuran adaylara açıklanabilmesi için modelin kararlara nasıl geldiğine ilişkin öngörüler edinirler.


5. ML yaşam çevrimini otomatikleştirin

Ekibiniz, Watson Pipelinesile MLOps ve AI yaşam çevrimini otomatikleştirebilir ve basitleştirebilir.

Nelerin kullanılabileceğini Neler yapabilirsiniz? En iyi kullanım zamanı
Watson Pipelines Veri alımından model eğitimine, testine ve devreye almaya kadar dizüstü bilgisayar, Data Refineryve makine öğrenimi iletişim hatlarını otomatikleştiren yinelenebilir ve zamanlanmış akışlar oluşturmak için boru hatlarını kullanın. MLOps akışındaki adımların bazılarını ya da tümünü otomatikleştirmek istiyorsunuz.

Örnek: Golden Bank 'ın otomatik ML yaşam çevrimi

Golden Bank veri bilimcileri, model yeniden eğitim sürecini basitleştirmek için tüm Veri Bilimi ve MLOps yaşam çevrimini ve süreçlerini otomatikleştirmek için boru hatlarını kullanabilirler.


Veri Bilimi ve MLOps için öğretici programlar

Eğitici Program Açıklama Öğretici program için uzmanlık
Model izleme ile yapay zeka boru hattını düzenleyin Bir modeli eğitir, devreye alma alanına yükseltir ve modeli devreye alın. Bir dizüstü bilgisayar çalıştırın.
Veri bütünleştirmesiyle yapay zeka boru hattını düzenleyin Verileri hazırlayan ve bir model yetiştiren uçtan uca bir boru hattı oluşturun. Bir ardışık düzen oluşturmak için Watson Pipelines sürükle ve bırak arabirimini kullanın.

Daha fazla bilgi

Üst konu: Veri yöneltme yapısı çözümüne genel bakış

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more