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 que permiten a su empresa 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, que utiliza watsonx.ai para implantar un proceso de evaluación de la equidad en la aprobación de solicitantes de hipotecas. El equipo necesita:
- Preparar los datos para garantizar el formato correcto para entrenar el modelo.
- Construir y desplegar un modelo de aprendizaje automático para evaluar la imparcialidad de las predicciones de aprobación de hipotecas.
- Encuentre promociones similares para sus competidores.
- Construir plantillas de avisos para realizar tareas de generación y respuesta de preguntas.
- Ajuste el foundation model con datos de reentrenamiento 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:
- Preparar los datos
- Crear y entrenar modelos
- Desplegar modelos
- Promover un foundation model
- Afinar un foundation model
- 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.
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 AutoAI que construye las canalizaciones de modelos.
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 aprendizaje automático que predice si un cliente comprará un producto bancario basándose en una promoción.
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 predictivo del proyecto a un espacio de despliegue y, a continuación, crean un despliegue del modelo en línea. A continuación, prueban el modelo implantado introduciendo datos de prueba para predecir si un cliente comprará un producto bancario basándose en la promoción.
4. Promover un foundation model
Su equipo puede escribir código en un cuaderno Jupyter o utilizar el Prompt Lab para desarrollar prompts con un foundation model.
| 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 los datos, ajustar los parámetros foundation model imentación, solicitar modelos de cimentación y generar resultados precisos aplicando el patrón de generación de recuperación aumentada. 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 y los equipos de ingeniería de Golden Bank trabajan juntos para recopilar documentos relevantes de diversas fuentes en línea que destaquen las promociones disponibles de sus competidores. Introducen sus datos de promoción en un cuaderno Jupyter para automatizar el abastecimiento de artículos de noticias en línea. 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 preguntas para generar y una plantilla de preguntas para responder. Para la tarea de generación, el objetivo es generar contenidos de correo electrónico que destaquen las promociones del banco. Para la tarea de pregunta-respuesta, la entrada y la salida varían en función de la pregunta y las respuestas, por lo que introducen el texto de promoción en las instrucciones.
5. Afinar un foundation model
Su equipo puede escribir código en un cuaderno Jupyter o utilizar Tuning Studio para ajustar un foundation model. Es posible que desee ajustar un foundation model para reducir costes o mejorar el rendimiento del modelo.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Tuning Studio | Utilice Tuning Studio para ajustar un foundation model con el fin de reducir costes o mejorar el rendimiento. | Desea una interfaz de usuario sencilla para crear un foundation model 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 equipo de ingeniería pronta de Golden Bank afina el foundation model utilizando artículos que contienen promociones adicionales. El equipo produce un foundation model más rentable y de menor tamaño con el mismo nivel de rendimiento que el foundation model 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 Orchestration Pipelines.
| Qué puede utilizar | Qué puede hacer | Cuándo utilizarlos mejor |
|---|---|---|
| Interconexiones de orquestación | 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 | Construye un modelo actualizando y ejecutando un bloc de notas que utilice código Python y las API de tiempo de ejecución de watsonx.ai. | 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. |
| Prompt un foundation model 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. |
| Promover un foundation model con el patrón de generación de recuperación aumentada | Promover un foundation model aprovechando la información de una base de conocimientos. | Utilice el patrón de generación de recuperación aumentada en un cuaderno Jupyter que utiliza el código Python . |
| Afinar un foundation model | Ajuste un foundation model para mejorar su rendimiento. | Utiliza el Tuning Studio para afinar un modelo sin codificar. |
| 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. |
Pasos siguientes
- Empiece a gobernar sus soluciones de IA con watsonx.governance
- Escale cargas de trabajo de IA, para todos sus datos, en cualquier lugar con watsonx.data Presto
Más información
- Visión general deIBM watsonx
- visión general del estudiowatsonx.ai
- watsonx.ai Visión general del tiempo de ejecución
- Vídeos
- Pruebe diferentes casos de uso en un sitio de autoservicio. Seleccione un caso de uso para experimentar una aplicación en directo creada con watsonx. Los desarrolladores, acceden a la selección de solicitudes y a la guía de construcción, junto con el código de aplicación de ejemplo, para acelerar el proyecto.
Tema principal: Casos de uso