Um Ihre Geschäftsprozesse mit KI-basierten Lösungen zu transformieren, muss Ihr Unternehmen sowohl maschinelles Lernen als auch abgeleitete KI in Ihr operatives Framework integrieren. watsonx.ai stellt die Prozesse und Technologien bereit, mit denen Ihr Unternehmen Modelle für maschinelles Lernen und abgeleitete KI-Lösungen entwickeln und implementieren kann.
Challenges (Abfragen)
Sie können die folgenden Herausforderungen für Ihr Unternehmen mit watsonx.ai:
- Auf hochwertige Daten zugreifen
- Unternehmen müssen einfachen Zugriff auf qualitativ hochwertige Daten für Data-Science-Teams bereitstellen, die die Daten zum Erstellen von Modellen für maschinelles Lernen verwenden.
- Operationalisierung der Modellerstellung und -bereitstellung für maschinelles Lernen
- Unternehmen müssen wiederholt anwendbare Prozesse implementieren, um Modelle für maschinelles Lernen schnell und effizient in Produktionsumgebungen zu erstellen und bereitzustellen.
- Antworten mit Basismodellen finden
- Unternehmen müssen Informationen aus unstrukturierten Daten in Dokumenten abrufen.
Beispiel: Herausforderungen der Goldenen Bank
Verfolgen Sie die Geschichte der Golden Bank, die watsonx.ai nutzt, um einen Prozess zur Bewertung der Fairness bei der Genehmigung von Hypothekenbewerbern zu implementieren. Das Team muss:
- Bereiten Sie die Daten so auf, dass sie das richtige Format für das Training des Modells haben.
- Entwicklung und Einsatz eines maschinellen Lernmodells zur Bewertung der Fairness von Hypothekengenehmigungsprognosen.
- Finden Sie ähnliche Werbeaktionen für ihre Konkurrenten.
- Erstellen Sie Prompt-Vorlagen, um Aufgaben zur Erstellung und Beantwortung von Fragen durchzuführen.
- Optimieren Sie das foundation model mit Umschulungsdaten, um die beste Leistung und Kosteneffizienz zu gewährleisten.
- Erstellen Sie eine Pipeline, um den Umschulungsprozess zu vereinfachen.
Prozess
Um watsonx.ai für Ihr Unternehmen zu nutzen, kann Ihre Organisation folgenden Prozess ausführen:
- Daten vorbereiten
- Modelle erstellen und trainieren
- Modelle bereitstellen
- Veranlassung eines foundation model
- Abstimmen eines foundation model
- Automatisierung des KI-Lebenszyklus
Die Komponente watsonx.ai stellt die Tools und Prozesse bereit, die Ihr Unternehmen für die Implementierung einer KI-Lösung benötigt.
1. Daten vorbereiten
Data-Scientists können eigene Datasets vorbereiten. Die Data-Scientist-Teams können diese Datenassets einem Projekt hinzufügen, wo sie zusammenarbeiten, um die Daten vorzubereiten, zu analysieren und zu modellieren.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| Data Refinery | Greifen Sie auf Daten aus verschiedenen Datenquellenverbindungen zu und optimieren Sie sie. Materialisieren Sie die resultierenden Datasets als Momentaufnahmen, die Daten kombinieren, verknüpfen oder filtern können, damit andere Data-Scientists sie analysieren und untersuchen können. |
Sie müssen die Daten visualisieren, wenn Sie sie formen oder bereinigen möchten. Sie möchten den Prozess der Vorbereitung großer Mengen von Rohdaten für die Analyse vereinfachen. |
| Synthetic Data Generator | Generieren Sie synthetische Tabellendaten auf der Basis von Produktionsdaten oder eines angepassten Datenschemas, indem Sie visuelle Abläufe und Modellierungsalgorithmen verwenden. | Sie möchten Produktionsdaten maskieren oder nachahmen oder synthetische Daten aus einem angepassten Datenschema generieren. |
Beispiel: Datenaufbereitung der Goldenen Bank
In ihrem Projekt optimieren die Data-Scientists die Daten, um sie für das Training eines Modells für maschinelles Lernen vorzubereiten, indem sie sicherstellen, dass die Daten das richtige Format haben. Die Ingenieure für maschinelles Lernen verwenden die strukturierten und sequenziellen Trainingsdaten in dem AutoAI, das die Modellpipelines aufbaut.
2. Modelle für maschinelles Lernen erstellen und trainieren
Um Vorhersageerkenntnisse auf Basis Ihrer Daten zu erhalten, können Data-Scientists, Geschäftsanalysten und Entwickler für maschinelles Lernen Modelle für maschinelles Lernen erstellen und trainieren. Data-Scientists verwenden watsonx.ai -Tools, um die KI-Modelle zu erstellen, und stellen sicher, dass die richtigen Algorithmen und Optimierungen verwendet werden, um Vorhersagen zu treffen, die bei der Lösung von Geschäftsproblemen helfen.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| AutoAI | Verwenden Sie AutoAI , um automatisch Algorithmen auszuwählen, Features zu entwickeln, Pipelinekandidaten zu generieren und Pipelinekandidaten für das Modell für maschinelles Lernen zu trainieren. Bewerten Sie dann die eingestuften Pipelines und speichern Sie die besten Ergebnisse als Modelle für maschinelles Lernen. Stellen Sie die trainierten Modelle für maschinelles Lernen in einem Bereich bereit oder exportieren Sie die Modelltrainingspipeline, die Ihnen gefällt, aus AutoAI in ein Notebook, um sie zu optimieren. |
Sie möchten eine erweiterte und automatisierte Methode zum schnellen Erstellen einer guten Gruppe von Trainingspipelines und Modellen für maschinelles Lernen erstellen. Sie möchten in der Lage sein, die generierten Pipelines zu exportieren, um sie zu optimieren. |
| Notebooks und Scripts | Verwenden Sie Notebooks und Scripts, um eigenen Trainings-und Bewertungscode für das Feature-Engineering-Modell in Python oder R zu schreiben. Verwenden Sie Trainingsdatasets, die im Projekt verfügbar sind, oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher. Codieren Sie mit Ihren bevorzugten Open-Source-Frameworks und -Bibliotheken. |
Sie möchten Python -oder R-Codierungskenntnisse verwenden, um vollständige Kontrolle über den Code zu haben, der zum Erstellen, Trainieren und Auswerten der Modelle für maschinelles Lernen verwendet wird. |
| SPSS Modeler-Datenflüsse | Verwenden Sie SPSS Modeler -Abläufe, um eigene Trainings-, Evaluierungs-und Scoring-Abläufe für Modelle für maschinelles Lernen zu erstellen. Verwenden Sie im Projekt verfügbare Trainingsdatasets oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher. | Sie wollen eine einfache Methode zum Untersuchen von Daten und zum Definieren von Trainings-, Bewertungs-und Scoring-Abläufen für Modelle für maschinelles Lernen. |
| RStudio | Analysieren Sie Daten und erstellen und testen Sie Modelle für maschinelles Lernen, indem Sie mit R in RStudio arbeiten. | Sie möchten eine Entwicklungsumgebung für die Arbeit in R verwenden. |
| Decision Optimization | Bereiten Sie Daten vor, importieren Sie Modelle, lösen Sie Probleme und vergleichen Sie Szenarios, visualisieren Sie Daten, finden Sie Lösungen, erstellen Sie Berichte und implementieren Sie Modelle für maschinelles Lernen. | Sie müssen Millionen von Möglichkeiten bewerten, um die beste Lösung für ein präskriptives Analyseproblem zu finden. |
| Federated Learning | Trainieren Sie ein allgemeines Modell für maschinelles Lernen, das verteilte Daten verwendet. | Sie müssen ein Modell für maschinelles Lernen trainieren, ohne Daten zu verschieben, zu kombinieren oder gemeinsam zu nutzen, die über mehrere Standorte verteilt sind. |
Beispiel: Erstellung und Schulung des Modells für maschinelles Lernen der Golden Bank
Datenwissenschaftler der Golden Bank nutzen AutoAI, um ein maschinelles Lernmodell zu erstellen, das vorhersagt, ob ein Kunde aufgrund einer Werbeaktion ein Bankprodukt kaufen wird.
3. Modelle bereitstellen
Wenn Mitglieder des Betriebsteams Ihre KI-Modelle bereitstellen, werden die Modelle für maschinelles Lernen für Anwendungen verfügbar, die für Scoring und Vorhersagen verwendet werden können, um Aktionen zu fördern.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| Benutzerschnittstelle für Bereiche | Verwenden Sie die Bereichsbenutzerschnittstelle, um Modelle und andere Assets aus Projekten in Bereichen bereitzustellen. | Sie möchten Modelle implementieren und Implementierungsinformationen in einem Arbeitsbereich mit Onlinezusammenarbeit anzeigen. |
Beispiel: Modellbereitstellung der Golden Bank
Die Mitglieder des Betriebsteams der Golden Bank übertragen das Vorhersagemodell aus dem Projekt in einen Bereitstellungsbereich und erstellen dann eine Online-Modellbereitstellung. Anschließend testen sie das entwickelte Modell, indem sie Testdaten eingeben, um vorherzusagen, ob ein Kunde aufgrund der Werbeaktion ein Bankprodukt kaufen wird.
4. Veranlassung eines foundation model
Ihr Team kann Code in einem Jupyter-Notebook schreiben oder das Prompt Lab verwenden, um Prompts mit einem foundation model zu entwickeln.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| Prompt Lab | Verwenden Sie das Eingabeaufforderungslabor, um mit Eingabeaufforderungen für verschiedene Basismodelle zu experimentieren. Wählen Sie andere Basismodelle für die Eingabeaufforderung aus. Speichern und teilen Sie die effektivsten Eingabeaufforderungen. | Sie möchten eine einfache Benutzerschnittstelle zum Durchsuchen und Testen verschiedener Eingabeaufforderungen. Sie möchten in der Lage sein, eine Eingabeaufforderungsvorlage oder eine Eingabeaufforderungssitzung als Projektasset zu speichern oder als Jupyter-Notebook zu exportieren, um eine weitere Analyse durchzuführen. |
| Notebooks und Scripts | Verwenden Sie Notebooks und Scripts, um Basismodelle programmgesteuert mithilfe der Python -Bibliothek anzufordern. Der Code ist in der Lage, Daten umzuwandeln, Parameter des foundation model anzupassen, Gründungsmodelle abzufragen und durch Anwendung des abruferweiterten Generierungsmusters sachlich korrekte Ergebnisse zu erzeugen. Verwenden Sie Trainingsdatasets, die im Projekt verfügbar sind, oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher. Verwenden Sie Ihre bevorzugten Open-Source-Frameworks und -Bibliotheken. |
Sie möchten Python -oder R-Codierungskenntnisse verwenden, um die vollständige Kontrolle über den Code zu haben, der zum Ausführen und Auswerten der Eingabeaufforderungsentwicklung verwendet wird. |
Beispiel: Eingabeaufforderungs-Engineering der Golden Bank
Die Data Scientist- und Prompt-Engineering-Teams der Golden Bank arbeiten zusammen, um relevante Dokumente aus verschiedenen Online-Quellen zu sammeln, in denen die verfügbaren Werbeaktionen der Wettbewerber hervorgehoben werden. Sie speisen ihre Werbedaten in ein Jupyter-Notebook ein, um die Suche nach Online-Nachrichtenartikeln zu automatisieren. Das Jupyter Notebook verwendet LangChain , um den Text in kleinere Textauszüge aufzuteilen, die für die Aufnahme in Eingabeaufforderungen geeignet sind. Diese Task stellt sicher, dass das Token die Einschränkungen des Kontexttokenfensters nicht überschreitet.
Dann verwendet das Team Prompt Lab, um eine Prompt-Vorlage für die Generierung und eine Prompt-Vorlage für die Beantwortung von Fragen zu erstellen. Bei der Generierungsaufgabe geht es darum, E-Mail-Inhalte zu generieren, die die Werbeaktionen der Bank hervorheben. Bei der Frage-Antwort-Aufgabe variiert die Eingabe und Ausgabe je nach Frage und Antwort, so dass sie den Werbetext in die Anweisungen einspeisen.
5. Abstimmen eines foundation model
Ihr Team kann Code in einem Jupyter-Notizbuch schreiben oder das Tuning Studio verwenden, um ein foundation model zu optimieren. Vielleicht möchten Sie ein foundation model optimieren, um die Kosten zu senken oder die Leistung des Modells zu verbessern.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| Tuning Studio | Verwenden Sie das Tuning Studio, um ein foundation model zu optimieren, um Kosten zu senken oder die Leistung zu verbessern. | Sie möchten eine einfache Benutzeroberfläche, um ein abgestimmtes foundation model zu erstellen. |
| Notebooks und Scripts | Verwenden Sie Notebooks und Scripts, um Basismodelle programmgesteuert mithilfe der Python -Bibliothek zu optimieren. Der Code kann den Prozess zur Optimierung der Eingabeaufforderung auslösen, ein Modell mit optimierter Eingabeaufforderung bereitstellen und ein Modell mit optimierter Eingabeaufforderung inferenzieren. Verwenden Sie Trainingsdatasets, die im Projekt verfügbar sind, oder Verbindungen zu Datenquellen wie Datenbanken, Data Lakes oder Objektspeicher. Verwenden Sie Ihre bevorzugten Open-Source-Frameworks und -Bibliotheken. |
Sie möchten Python -oder R-Codierungskenntnisse verwenden, um die vollständige Kontrolle über den Code zu haben, der zum Transformieren von Daten verwendet wird, und dann Modelle optimieren und auswerten. |
Beispiel: Optimierung der Eingabeaufforderung der Golden Bank
Das Souffleurteam der Golden Bank stimmt das foundation model mit Artikeln ab, die zusätzliche Aktionen enthalten. Das Team erstellt ein kostengünstigeres, kleineres foundation model mit demselben Leistungsniveau wie das ursprüngliche foundation model, das es für die Inferenzierung ausgewählt hat.
6. Automatisieren Sie den ML-Lebenszyklus
Ihr Team kann den MLOps-und KI-Lebenszyklus mit Orchestration Pipelines automatisieren und vereinfachen.
| Was Sie verwenden können | Aktion | Am besten zu verwenden, wenn |
|---|---|---|
| Orchestrierungspipelines | Verwenden Sie Pipelines, um wiederholt anwendbare und geplante Abläufe zu erstellen, die Notebooks, Data Refineryund Pipelines für maschinelles Lernen automatisieren, von der Datenaufnahme bis zu Modelltraining, -tests und -bereitstellung. | Sie möchten einige oder alle Schritte in einem MLOps-Ablauf automatisieren. |
Beispiel: Automatisierter ML-Lebenszyklus der Golden Bank
Die Data-Scientists der Golden Bank können Pipelines verwenden, um ihren gesamten ML-Lebenszyklus und ihre Prozesse zu automatisieren, um den Prozess für das erneute Training des Modells für maschinelles Lernen zu vereinfachen.
Lernprogramme für watsonx.ai
| Lernprogramm | Beschreibung | Fachkenntnisse für das Lernprogramm |
|---|---|---|
| Daten mit Data Refinery verfeinern und darstellen | Tabellendaten mit einem grafischen Ablaufeditor vorbereiten und darstellen. | Wählen Sie Operationen zum Bearbeiten von Daten aus. |
| Synthetische Tabellendaten generieren | Generieren Sie synthetische Tabellendaten mithilfe eines grafischen Ablaufeditors. | Wählen Sie Operationen zum Generieren von Daten aus. |
| Daten in einem Jupyter-Notebook analysieren | Daten laden, ein Notebook ausführen und anderen zur Verfügung stellen. | Lernen Sie generierten Python -Code kennen. |
| Modell für maschinelles Lernen mit AutoAI erstellen und bereitstellen | Automatisches Erstellen von Modellkandidaten mit dem AutoAI-Tool. | Erstellen, implementieren und testen Sie ein Modell ohne Codierung. |
| Modell für maschinelles Lernen in einem Notebook erstellen und bereitstellen | Erstellen Sie ein Modell, indem Sie ein Notizbuch aktualisieren und ausführen, das Python und die watsonx.ai Runtime APIs verwendet. | Erstellen, implementieren und testen Sie ein scikit-learn-Modell, das Python -Code verwendet. |
| Modell für maschinelles Lernen mit SPSS Modeler erstellen und bereitstellen | Erstellen Sie ein C5.0 -Modell, das das Tool SPSS Modeler verwendet. | Daten-und Operationsknoten in einem Erstellungsbereich ablegen und Eigenschaften auswählen. |
| Decision Optimization-Modell erstellen und bereitstellen | Automatische Erstellung von Szenarios mit Modeling Assistant. | Lösen und untersuchen Sie Szenarios und implementieren und testen Sie dann ein Modell ohne Codierung. |
| Ein foundation model mit Prompt Lab abfragen | Experimentieren Sie mit Eingabeaufforderungen für verschiedene Basismodelle, erkunden Sie Beispieleingabeaufforderungen und speichern und teilen Sie Ihre besten Eingabeaufforderungen. | Eingabeaufforderung für ein Modell mit Prompt Lab ohne Codierung. |
| Aufforderung eines foundation model mit dem abruferweiterten Generierungsmuster | Erstellen Sie ein foundation model, indem Sie Informationen aus einer Wissensdatenbank nutzen. | Verwenden Sie das Muster 'Retrieval Augmented Generation' in einem Jupyter-Notebook, das Python -Code verwendet. |
| Abstimmen eines foundation model | Abstimmen eines foundation model zur Verbesserung der Modellleistung. | Verwenden Sie das Tuning Studio, um ein Modell ohne Programmierung zu optimieren. |
| Lebenszyklus für ein Modell mit Pipelines automatisieren | Erstellen und führen Sie eine Pipeline aus, um die Erstellung und Bereitstellung eines Modells für maschinelles Lernen zu automatisieren. | Operationsknoten in einem Erstellungsbereich ablegen und Eigenschaften auswählen. |
NächsSchr
- Beginnen Sie mit der Regulierung Ihrer KI-Lösungen mit watsonx.governance
- Skalieren Sie KI-Workloads für alle Ihre Daten, überall mit watsonx.data Presto
Weitere Informationen
- IBM watsonx -Übersicht
- watsonx.ai Studio Übersicht
- watsonx.ai Laufzeitübersicht
- Videos
- Testen Sie verschiedene Anwendungsfälle auf einer Self-Service-Site. Wählen Sie einen Anwendungsfall aus, um eine mit watsonxerstellte Live-Anwendung zu erleben. Entwickler können auf Anweisungen zur Auswahl von Eingabeaufforderungen und zur Erstellung sowie Beispielanwendungscode zugreifen, um Ihr Projekt zu beschleunigen.
Übergeordnetes Thema: Anwendungsfälle