0 / 0
Volver a la versión inglesa de la documentación
Caso de uso de Watsonx.ai

Caso de uso de Watsonx.ai

Para transformar sus procesos de negocio con soluciones basadas en IA, su empresa necesita integrar tanto machine learning como IA generativa en su infraestructura operativa. Watsonx.ai proporciona los procesos y las tecnologías para que su empresa pueda desarrollar y desplegar modelos de aprendizaje automático y soluciones generativas de IA.

Dificultades

Puede resolver los siguientes retos para su empresa utilizando watsonx.ai:

Acceso a datos de alta calidad
Las organizaciones necesitan proporcionar un acceso fácil a datos de alta calidad para los equipos de ciencia de datos que utilizan los datos para crear modelos de aprendizaje automático.
Operacionalización de la creación y el despliegue de modelos de aprendizaje automático
Las organizaciones necesitan implementar procesos repetibles para crear y desplegar de forma rápida y eficiente modelos de aprendizaje automático en entornos de producción.
Búsqueda de respuestas con modelos de base
Las organizaciones necesitan obtener información de datos no estructurados en documentos.

Ejemplo: Los retos de Golden Bank

Siga la historia de Golden Bank mientras utiliza watsonx.ai para implementar un proceso para analizar anomalías de acciones para aumentar la productividad y aumentar la precisión de un analista de acciones en la banca de inversión. El equipo necesita:

  • Prepare los datos de existencias para garantizar el formato correcto para entrenar el modelo.
  • Cree y despliegue un modelo de aprendizaje automático para predecir anomalías en el rendimiento del precio de las acciones.
  • Buscar y trocear artículos de noticias sobre las fechas en las que ocurrieron las anomalías.
  • Construya plantillas de solicitud para realizar tareas de resumen y respuesta a preguntas.
  • Ajuste el modelo de fundación con datos de repetición de formación para garantizar el mejor rendimiento y rentabilidad.
  • Cree un conducto para simplificar el proceso de repetición de formación.

Proceso

Para aprovechar watsonx.ai para su empresa, su organización puede seguir este proceso:

  1. Preparar los datos
  2. Crear y entrenar modelos
  3. Desplegar modelos
  4. Solicitar un modelo de base
  5. Ajustar un modelo de base
  6. Automatice el ciclo de vida de IA

El componente watsonx.ai proporciona las herramientas y procesos que su organización necesita para implementar una solución de IA.

Imagen que muestra el flujo del caso de uso watsonx.ai

1. Preparar los datos

Los científicos de datos pueden preparar sus propios conjuntos de datos. Los equipos de científicos de datos pueden añadir esos activos de datos a un proyecto, donde colaboran para preparar, analizar y modelar los datos.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
Data Refinery Acceda y refine los datos de diversas conexiones de orígenes de datos.

Materialice los conjuntos de datos resultantes como instantáneas en el tiempo que puedan combinar, unir o filtrar datos para que otros científicos de datos los analicen y exploren.
Debe visualizar los datos cuando desee darle forma o limpiarlos.

Desea simplificar el proceso de preparación de grandes cantidades de datos sin formato para el análisis.
Synthetic Data Generator Generar datos tabulares sintéticos basados en datos de producción o un esquema de datos personalizado utilizando flujos visuales y algoritmos de modelado. Desea enmascarar o imitar datos de producción o desea generar datos sintéticos a partir de un esquema de datos personalizado.

Ejemplo: preparación de datos de Golden Bank

En su proyecto, los científicos de datos refinan los datos para prepararlos para entrenar un modelo de aprendizaje automático asegurándose de que los datos estén en el formato correcto. Los ingenieros de aprendizaje automático utilizan los datos de entrenamiento estructurados y secuenciales en el experimento de AutoAI de predicción de anomalías de serie temporal que crea las interconexiones del modelo.


2. Crear y entrenar modelos de aprendizaje automático

Para obtener información predictiva basada en sus datos, los científicos de datos, los analistas de negocio y los ingenieros de machine learning pueden crear y entrenar modelos de machine learning. Los científicos de datos utilizan herramientas de watsonx.ai para crear los modelos de IA, asegurándose de que se utilizan los algoritmos y optimizaciones adecuados para realizar predicciones que ayudan a resolver problemas de negocio.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
AutoAI Utilice AutoAI para seleccionar automáticamente algoritmos, diseñar características, generar candidatos de interconexión y entrenar candidatos de interconexión de modelo de aprendizaje automático.

A continuación, evalúe las interconexiones clasificadas y guarde las mejores como modelos de aprendizaje automático.

Despliegue los modelos de aprendizaje automático entrenados en un espacio o exporte la interconexión de entrenamiento de modelo que desee de AutoAI a un cuaderno para refinarlo.
Desea una forma avanzada y automatizada de crear rápidamente un buen conjunto de conductos de entrenamiento y modelos de aprendizaje automático.

Desea poder exportar los conductos generados para refinarlos.
Cuadernos y scripts Utilice cuadernos y scripts para escribir su propio código de evaluación y entrenamiento de modelos de ingeniería de características en Python o R. Utilice conjuntos de datos de entrenamiento que estén disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos.

Código con sus infraestructuras y bibliotecas de código abierto favoritas.
Desea utilizar Python o habilidades de codificación R para tener un control completo sobre el código que se utiliza para crear, entrenar y evaluar los modelos de aprendizaje automático.
Flujos de SPSS Modeler Utilice los flujos de SPSS Modeler para crear sus propios flujos de entrenamiento, evaluación y puntuación de modelos de aprendizaje automático. Utilice conjuntos de datos de entrenamiento disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos. Desea una forma sencilla de explorar los datos y definir flujos de entrenamiento, evaluación y puntuación de modelos de aprendizaje automático.
RStudio Analice datos y cree y pruebe modelos de aprendizaje automático trabajando con R en RStudio. Desea utilizar un entorno de desarrollo para trabajar en R.
Decision Optimization Prepare datos, importe modelos, resuelva problemas y compare escenarios, visualice datos, encuentre soluciones, genere informes y despliegue modelos de aprendizaje automático. Necesita evaluar millones de posibilidades para encontrar la mejor solución a un problema de analítica prescriptiva.
Aprendizaje federado Entrene un modelo de aprendizaje automático común que utilice datos distribuidos. Es necesario entrenar un modelo de aprendizaje automático sin mover, combinar o compartir datos que se distribuyen entre varias ubicaciones.

Ejemplo: Formación y creación de modelos de aprendizaje automático de Golden Bank

Los científicos de datos de Golden Bank utilizan AutoAI para crear un modelo de detección de anomalías de análisis de series temporales que resalta patrones ocultos utilizando datos históricos. El objetivo es crear un modelo que pueda predecir las fechas en las que se han producido anomalías de existencias para una empresa específica.


3. Desplegar modelos

Cuando los miembros del equipo de operaciones despliegan sus modelos de IA, los modelos de aprendizaje automático pasan a estar disponibles para que las aplicaciones los utilicen para la puntuación y las predicciones para ayudar a impulsar acciones.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
Interfaz de usuario de espacios Utilice la interfaz de usuario Espacios para desplegar modelos y otros activos de proyectos a espacios. Desea desplegar modelos y ver información de despliegue en un espacio de trabajo colaborativo.

Ejemplo: Despliegue del modelo de Golden Bank

Los miembros del equipo de operaciones de Golden Bank promocionan el "Modelo de anomalía de existencias" del proyecto a un espacio de despliegue y, a continuación, crean un despliegue de modelo en línea. A continuación, prueban el modelo desplegado introduciendo datos de existencias en las fechas de salida de las anomalías.


4. Solicitar un modelo de base

Su equipo puede escribir código en un cuaderno Jupyter o utilizar Prompt Lab para desarrollar solicitudes con un modelo de base.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
Prompt Lab Utilice Prompt Lab para experimentar con la solicitud de distintos modelos de base. Seleccione distintos modelos de base para solicitar. Guarde y comparta las solicitudes más eficaces. Desea una interfaz de usuario sencilla para explorar y probar distintas solicitudes.

Desea poder guardar una plantilla de solicitud o solicitar una sesión como un activo de proyecto o exportar como un cuaderno Jupyter para realizar un análisis adicional.
Cuadernos y scripts Utilice cuadernos y scripts para solicitar modelos de base mediante programación utilizando la biblioteca Python . El código puede transformar datos, ajustar parámetros de modelo de base, solicitar modelos de base y generar resultados precisos objetivamente aplicando el patrón de generación aumentada de recuperación. Utilice conjuntos de datos de entrenamiento que estén disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos.

Utilice sus infraestructuras y bibliotecas de código abierto favoritas.
Desea utilizar las habilidades de codificación Python o R para tener un control completo sobre el código que se utiliza para realizar y evaluar la ingeniería de solicitud.

Ejemplo: ingeniería rápida de Golden Bank

Los científicos de datos de Golden Bank y los equipos de ingeniería rápidos trabajan juntos para recopilar documentos relevantes de varias fuentes de noticias en línea que coinciden con las fechas de anomalía que se obtienen del modelo de predicción de anomalías. Alimentan esas fechas en un cuaderno de Jupyter para automatizar el aprovisionamiento de artículos de noticias en línea para determinar qué eventos mundiales actuales podrían contribuir a las anomalías de las acciones. El Jupyter Notebook utiliza LangChain para fragmentar el texto en extractos de texto más pequeños que son adecuados para incluir en solicitudes. Esta tarea garantiza que la señal no supere las limitaciones de la ventana de señal de contexto.

A continuación, el equipo utiliza Prompt Lab para crear una plantilla de solicitud de resumen y una plantilla de solicitud de respuesta a preguntas. Para la tarea de resumen, el objetivo es resumir el texto del artículo de noticias y solicitar preguntas para obtener más información del texto. Para la tarea de respuesta a preguntas, la entrada y salida varía según la pregunta y las respuestas, por lo que alimentan el texto del artículo de noticias en las instrucciones.

5. Ajuste un modelo de base

Su equipo puede escribir código en un cuaderno de Jupyter o utilizar Tuning Studio para ajustar un modelo de base. Es posible que desee ajustar un modelo de base para reducir costes o mejorar el rendimiento del modelo.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
Estudio de ajuste Utilice Tuning Studio para ajustar un modelo de base para reducir costes o mejorar el rendimiento. Desea una interfaz de usuario sencilla para crear un modelo de base ajustado.
Cuadernos y scripts Utilice cuadernos y scripts para ajustar los modelos de base mediante programación utilizando la biblioteca Python . El código puede desencadenar el proceso de ajuste de solicitud, desplegar un modelo ajustado de solicitud e inferir un modelo ajustado de solicitud. Utilice conjuntos de datos de entrenamiento que estén disponibles en el proyecto, o conexiones con orígenes de datos como bases de datos, lagos de datos o almacenamiento de objetos.

Utilice sus infraestructuras y bibliotecas de código abierto favoritas.
Desea utilizar las habilidades de codificación Python o R para tener un control completo sobre el código que se utiliza para transformar datos y, a continuación, ajustar y evaluar modelos.

Ejemplo: Ajuste rápido de Golden Bank

El rápido equipo de ingeniería de Golden Bank sintoniza el modelo de base utilizando nuevos artículos adicionales. El equipo produce un modelo de base más rentable y más pequeño con el mismo nivel de rendimiento que el modelo de base original que seleccionaron para la inferencia.


6. Automatizar el ciclo de vida de ML

Su equipo puede automatizar y simplificar el ciclo de vida de MLOps e IA con Watson Pipelines.

Qué puede utilizar Qué puede hacer Cuándo utilizarlos mejor
Watson Pipelines Utilice pipelines para crear flujos repetibles y planificados que automatizan cuadernos, Data Refineryy conductos de aprendizaje automático, desde la ingestión de datos hasta el entrenamiento, la prueba y el despliegue de modelos. Desea automatizar algunos o todos los pasos de un flujo MLOps.

Ejemplo: Ciclo de vida de ML automatizado de Golden Bank

Los científicos de datos de Golden Bank pueden utilizar conductos para automatizar su ciclo de vida completo de ML y los procesos para simplificar el proceso de repetición de formación del modelo de aprendizaje automático.


Guías de aprendizaje para watsonx.ai

Guía de aprendizaje Descripción Experiencia para guía de aprendizaje
Refinar y visualizar datos con Data Refinery Preparar y visualizar datos tabulares con un editor de flujo gráfico. Seleccione operaciones para manipular datos.
Generar datos tabulares sintéticos Generar datos tabulares sintéticos utilizando un editor de flujo gráfico. Seleccione operaciones para generar datos.
Analizar datos en un cuaderno de Jupyter Cargar datos, ejecutar y compartir un cuaderno. Comprender el código Python generado.
Crear y desplegar un modelo de aprendizaje automático con AutoAI Crear automáticamente candidatos de modelo con la herramienta AutoAI. Crear, desplegar y probar un modelo sin codificación.
Crear y desplegar un modelo de aprendizaje automático en un cuaderno Crear un modelo actualizando y ejecutando un cuaderno que utilice el código Python y las API de Watson Machine Learning. Crear, desplegar y probar un modelo scikit-learn que utiliza código Python .
Crear y desplegar un modelo de aprendizaje automático con SPSS Modeler Cree un modelo C5.0 que utilice la herramienta SPSS Modeler . Soltar datos y nodos de operación en un lienzo y seleccionar propiedades.
Crear y desplegar un modelo de Decision Optimization Crear escenarios automáticamente con Modeling Assistant. Resuelva y explore escenarios y, a continuación, despliegue y pruebe un modelo sin codificación.
Solicitar un modelo de base utilizando Prompt Lab Experimente con la solicitud de diferentes modelos de base, explore las solicitudes de ejemplo y guarde y comparta sus mejores solicitudes. Solicitar un modelo utilizando Prompt Lab sin codificación.
Solicitar un modelo de base con el patrón de generación de recuperación aumentada Solicitar un modelo de base aprovechando la información de una base de conocimiento. Utilice el patrón de generación de recuperación aumentada en un cuaderno Jupyter que utiliza el código Python .
Ajustar un modelo de base Ajuste un modelo base para mejorar el rendimiento del modelo. Utilice Tuning Studio para ajustar un modelo sin codificación.
Automatizar el ciclo de vida de un modelo con interconexiones Cree y ejecute un conducto para automatizar la creación y el despliegue de un modelo de aprendizaje automático. Suelte los nodos de operación en un lienzo y seleccione las propiedades.
Pruebe el caso de uso completo de watsonx.ai Siga un caso de uso desde la preparación de datos hasta la ingeniería de solicitud. Utilice diversas herramientas como, por ejemplo, cuadernos y Prompt Lab.

Pasos siguientes

  • Empiece a gobernar sus soluciones de IA con watsonx.governance
  • Escale las cargas de trabajo de IA, para todos sus datos, en cualquier lugar con watsonx.data

Más información

Tema principal: Casos de uso

Búsqueda y respuesta de IA generativa
Estas respuestas las genera un modelo de lenguaje grande en watsonx.ai que se basa en el contenido de la documentación del producto. Más información