例ゴールデンバンクのデータ準備

彼らのプロジェクトでは、データサイエンティストは機械学習モデルをトレーニングするために、データが正しい形式であることを確認することでデータを改良する。 機械学習エンジニアは、モデルパイプラインを構築するAutoAIの実験で、構造化された逐次学習データを使用する。

例ゴールデンバンクの機械学習モデル構築とトレーニング

ゴールデンバンクのデータサイエンティストは、AutoAIを使用して、顧客がプロモーションに基づいて銀行商品を購入するかどうかを予測する機械学習モデルを構築している。

例ゴールデンバンクのモデル展開

ゴールデン・バンクのオペレーション・チームのメンバーは、予測モデルをプロジェクトからデプロイメント・スペースに昇格させ、オンライン・モデルのデプロイメントを作成する。 次に、顧客がプロモーションに基づいて銀行商品を購入するかどうかを予測するテストデータを入力して、展開したモデルをテストする。

例ゴールデンバンクのプロンプト・エンジニアリング

ゴールデン・バンクのデータ・サイエンティストとプロンプト・エンジニアリング・チームが協力して、競合他社が利用可能なプロモーションを強調した関連文書をさまざまなオンライン・ソースから収集。 彼らはプロモーションデータをJupyterノートブックに送り込み、オンラインニュース記事のソーシングを自動化している。 Jupyter Notebookは、LangChainを使用して、テキストをプロンプトに含めるのに適した、より小さなテキストに分割します。 このタスクは、トークンがコンテキスト・トークン・ウィンドウの制限を超えないようにする。

次に、チームは Prompt Lab を使用して、生成用のプロンプトテンプレートと質問応答用のプロンプトテンプレートを作成します。 生成タスクの目標は、銀行のプロモーションを強調するEメールコンテンツを生成することである。 質問と回答のタスクでは、質問と回答によってインプットとアウトプットが異なるため、インストラクションにプロモーションテキストを入力する。

例ゴールデンバンクのプロンプト・チューニング

ゴールデン・バンクのプロンプト・エンジニアリング・チームは、追加プロモーションを含む記事を使ってfoundation modelのチューニングを行った。 チームは、推論用に選択したオリジナルのfoundation modelと同じ性能レベルを持つ、より費用対効果の高い小型のfoundation modelを作成する。

例ゴールデンバンクの自動化されたMLライフサイクル

ゴールデンバンクのデータ・サイエンティストは、パイプラインを使ってMLのライフサイクル全体とプロセスを自動化し、機械学習モデルの再トレーニング・プロセスを簡素化できる。