Pour transformer vos processus métier avec des solutions basées sur l'intelligence artificielle, votre entreprise doit intégrer à la fois l'apprentissage automatique et l'intelligence artificielle générative dans votre infrastructure opérationnelle. watsonx.ai fournit les processus et les technologies permettant à votre entreprise de développer et de déployer des modèles d'apprentissage automatique et des solutions d'IA génératives.
Défis
Vous pouvez résoudre les problèmes suivants pour votre entreprise en utilisant watsonx.ai:
- Accès à des données de haute qualité
- Les entreprises doivent fournir un accès facile à des données de haute qualité aux équipes de science des données qui les utilisent pour créer des modèles d'apprentissage automatique.
- opérationnalisation de la génération et du déploiement de modèles d'apprentissage automatique
- Les organisations doivent implémenter des processus reproductibles pour générer et déployer rapidement et efficacement des modèles d'apprentissage automatique dans des environnements de production.
- Recherche de réponses avec des modèles de base
- Les organisations doivent obtenir des informations à partir de données non structurées dans des documents.
Exemple: Les défis de la Golden Bank
Suivez l'histoire de la Golden Bank qui utilise watsonx.ai pour mettre en œuvre un processus d'évaluation de l'équité dans l'approbation des demandeurs de prêts hypothécaires. L'équipe doit:
- Préparer les données afin de garantir un format correct pour l'entraînement du modèle.
- Construire et déployer un modèle d'apprentissage automatique pour évaluer la justesse des prédictions d'approbation des prêts hypothécaires.
- Trouver des promotions similaires pour leurs concurrents.
- Construire des modèles d'invite pour effectuer des tâches de génération et de réponse aux questions.
- Ajuster le foundation model à l'aide de données de recyclage afin de garantir les meilleures performances et la meilleure rentabilité.
- Créez un pipeline pour simplifier le processus de nouvel entraînement.
Processus
Pour optimiser watsonx.ai pour votre entreprise, votre organisation peut suivre ce processus:
- Préparer les données
- Génération et entraînement de modèles
- Déployer des modèles
- Promouvoir un foundation model
- Mise au point d'un foundation model
- Automatiser le cycle de vie de l'IA
Le composant watsonx.ai fournit les outils et les processus dont votre organisation a besoin pour implémenter une solution d'intelligence artificielle.
1. Préparez les données
Les spécialistes des données peuvent préparer leurs propres ensembles de données. Les équipes de spécialistes des données peuvent ajouter ces actifs de données à un projet, où elles collaborent pour préparer, analyser et modéliser les données.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Data Refinery | Accédez et affinez les données à partir de diverses connexions de sources de données. Materialiser les ensembles de données résultants sous forme d'images instantanées dans le temps qui peuvent combiner, joindre ou filtrer des données pour que d'autres spécialistes des données puissent les analyser et les explorer. |
Vous devez visualiser les données lorsque vous souhaitez les mettre en forme ou les nettoyer. Vous souhaitez simplifier le processus de préparation de grandes quantités de données brutes pour l'analyse. |
| Synthetic Data Generator | Générez des données tabulaires synthétiques basées sur des données de production ou un schéma de données personnalisé à l'aide de flux visuels et d'algorithmes de modélisation. | Vous souhaitez masquer ou imiter les données de production ou générer des données synthétiques à partir d'un schéma de données personnalisé. |
Exemple: préparation des données de Golden Bank
Dans leur projet, les spécialistes des données affinent les données pour les préparer à l'entraînement d'un modèle d'apprentissage automatique en s'assurant que les données sont dans le format correct. Les ingénieurs en apprentissage automatique utilisent les données d'entraînement structurées et séquentielles dans l'expérience AutoAI qui construit les pipelines de modèles.
2. Génération et entraînement de modèles d'apprentissage automatique
Pour obtenir des informations prédictives basées sur vos données, les spécialistes des données, les analystes métier et les ingénieurs d'apprentissage automatique peuvent créer et entraîner des modèles d'apprentissage automatique. Les spécialistes des données utilisent les outils watsonx.ai pour générer les modèles d'IA, en s'assurant que les algorithmes et les optimisations appropriés sont utilisés pour faire des prévisions qui aident à résoudre les problèmes métier.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| AutoAI | Utilisez AutoAI pour sélectionner automatiquement des algorithmes, concevoir des fonctions, générer des candidats de pipeline et entraîner des candidats de pipeline de modèle d'apprentissage automatique. Ensuite, évaluez les pipelines classés et enregistrez les meilleurs modèles d'apprentissage automatique. Déployez les modèles d'apprentissage automatique entraînés dans un espace ou exportez le pipeline d'entraînement de modèle que vous aimez depuis AutoAI dans un bloc-notes pour l'affiner. |
Vous voulez un moyen avancé et automatisé de générer rapidement un ensemble adéquat de pipelines d'entraînement et de modèles d'apprentissage automatique. Vous voulez pouvoir exporter les pipelines générés pour les affiner. |
| Blocs-notes et scripts | Utilisez des blocs-notes et des scripts pour écrire votre propre code d'apprentissage et d'évaluation de modèle d'ingénierie de fonction dans Python ou R. Utilisez les jeux de données de formation disponibles dans le projet ou les connexions aux sources de données telles que les bases de données, les lacs de données ou le stockage d'objets. Codez avec vos infrastructures et bibliothèques open source favorites. |
Vous souhaitez utiliser des compétences de codage Python ou R pour avoir un contrôle total sur le code utilisé pour créer, entraîner et évaluer les modèles d'apprentissage automatique. |
| Flux SPSS Modeler | Utilisez les flux SPSS Modeler pour créer vos propres flux d'entraînement, d'évaluation et d'évaluation de modèle d'apprentissage automatique. Utilisez des ensembles de données d'entraînement disponibles dans le projet ou des connexions à des sources de données telles que des bases de données, des lacs de données ou un stockage d'objets. | Vous voulez un moyen simple d'explorer les données et de définir des flux d'entraînement, d'évaluation et d'évaluation du modèle d'apprentissage automatique. |
| RStudio | Analysez les données et générez et testez des modèles d'apprentissage automatique en utilisant R dans RStudio. | Vous souhaitez utiliser un environnement de développement pour travailler dans R. |
| Decision Optimization | Préparez des données, importez des modèles, résolvez des problèmes et comparez des scénarios, visualisez des données, trouvez des solutions, générez des rapports et déployez des modèles d'apprentissage automatique. | Vous devez évaluer des millions de possibilités pour trouver la meilleure solution à un problème d'analyse prescriptive. |
| Apprentissage fédéré | Entraînez un modèle d'apprentissage automatique commun qui utilise des données réparties. | Vous devez entraîner un modèle d'apprentissage automatique sans déplacer, combiner ou partager des données réparties sur plusieurs emplacements. |
Exemple: Création et formation de modèles d'apprentissage automatique de Golden Bank
Les data scientists de la Golden Bank utilisent l'AutoAI pour construire un modèle d'apprentissage automatique qui prédit si un client achètera un produit bancaire sur la base d'une promotion.
3. Déploiement de modèles
Lorsque les membres de l'équipe des opérations déploient vos modèles d'IA, les modèles d'apprentissage automatique deviennent disponibles pour les applications à utiliser pour le scoring et les prévisions afin d'aider à générer des actions.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Interface utilisateur Espaces | Utilisez l'interface utilisateur Espaces pour déployer des modèles et d'autres actifs à partir de projets vers des espaces. | Vous souhaitez déployer des modèles et afficher des informations de déploiement dans un espace de travail collaboratif. |
Exemple: Déploiement de modèle de Golden Bank
Les membres de l'équipe opérationnelle de la Golden Bank font passer le modèle prédictif du projet à un espace de déploiement, puis créent un déploiement de modèle en ligne. Ensuite, ils testent le modèle déployé en introduisant des données de test pour prédire si un client achètera un produit bancaire sur la base de la promotion.
4. Promouvoir un foundation model
Votre équipe peut écrire du code dans un carnet Jupyter ou utiliser le Prompt Lab pour développer des messages-guides avec un foundation model.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Laboratoire d'invites | Utilisez le laboratoire d'invite pour tester différents modèles de base d'invite. Sélectionnez différents modèles de base à demander. Sauvegardez et partagez les invites les plus efficaces. | Vous souhaitez qu'une interface utilisateur simple explore et teste différentes invites. Vous souhaitez pouvoir sauvegarder un modèle d'invite ou une session d'invite en tant qu'actif de projet ou l'exporter en tant que bloc-notes Jupyter pour effectuer une analyse plus approfondie. |
| Blocs-notes et scripts | Utilisez des blocs-notes et des scripts pour inviter des modèles de base à l'aide d'un programme à l'aide de la bibliothèque Python . Le code peut transformer les données, ajuster les paramètres du foundation model, demander des modèles de fondation et générer des résultats factuellement exacts en appliquant le modèle de génération augmentée par extraction. Utilisez les ensembles de données de formation disponibles dans le projet ou les connexions aux sources de données telles que les bases de données, les lacs de données ou le stockage d'objets. Utilisez vos infrastructures et bibliothèques open source favorites. |
Vous souhaitez utiliser des compétences de codage Python ou R pour avoir un contrôle total sur le code utilisé pour effectuer et évaluer l'ingénierie des invites. |
Exemple: ingénierie rapide de Golden Bank
Les équipes de data scientist et de prompt engineering de la Golden Bank travaillent ensemble pour rassembler des documents pertinents provenant de diverses sources en ligne et mettant en évidence les promotions disponibles chez ses concurrents. Ils introduisent leurs données de promotion dans un carnet Jupyter pour automatiser la recherche d'articles de presse en ligne. Jupyter Notebook utilise LangChain pour fractionner le texte en extraits de texte plus petits pouvant être inclus dans des invites. Cette tâche garantit que le jeton ne dépasse pas les limites de la fenêtre de jeton de contexte.
L'équipe utilise ensuite Prompt Lab pour créer un modèle d'invite pour la génération et un modèle d'invite pour la réponse aux questions. Pour la tâche de génération, l'objectif est de générer un contenu d'email mettant en avant les promotions de la banque. Pour la tâche de réponse à une question, l'entrée et la sortie varient en fonction de la question et des réponses, de sorte qu'ils introduisent le texte de promotion dans les instructions.
5. Mise au point d'un foundation model
Votre équipe peut écrire du code dans un carnet Jupyter ou utiliser le Tuning Studio pour mettre au point un foundation model. Il se peut que vous souhaitiez adapter un foundation model afin de réduire les coûts ou d'améliorer les performances du modèle.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Tuning Studio | Le Tuning Tuning Studio permet d'ajuster un foundation model afin de réduire les coûts ou d'améliorer les performances. | Vous souhaitez une interface utilisateur simple pour créer un foundation model harmonisé. |
| Blocs-notes et scripts | Utilisez des blocs-notes et des scripts pour optimiser les modèles de base à l'aide d'un programme à l'aide de la bibliothèque Python . Le code peut déclencher le processus d'optimisation d'invite, déployer un modèle optimisé d'invite et inférence un modèle optimisé d'invite. Utilisez les ensembles de données de formation disponibles dans le projet ou les connexions aux sources de données telles que les bases de données, les lacs de données ou le stockage d'objets. Utilisez vos infrastructures et bibliothèques open source favorites. |
Vous souhaitez utiliser des compétences de codage Python ou R pour avoir un contrôle total sur le code utilisé pour transformer les données, puis optimiser et évaluer les modèles. |
Exemple: optimisation de l'invite de Golden Bank
L'équipe d'ingénierie de la Golden Bank met au point le foundation model à l'aide d'articles contenant des promotions supplémentaires. L'équipe produit un foundation model plus économique et plus petit, avec le même niveau de performance que le foundation model original qu'elle a sélectionné pour l'inférence.
6. Automatisation du cycle de vie de l'apprentissage automatique
Votre équipe peut automatiser et simplifier les MLOps et le cycle de vie de l'IA avec les pipelines d'orchestration.
| Ce que vous pouvez utiliser | Ce que vous pouvez faire | A utiliser de préférence lorsque |
|---|---|---|
| Pipelines d'orchestration | Utilisez des pipelines pour créer des flux reproductibles et planifiés qui automatisent les blocs-notes, Data Refineryet les pipelines d'apprentissage automatique, de l'ingestion de données à l'entraînement, au test et au déploiement de modèles. | Vous souhaitez automatiser certaines ou toutes les étapes d'un flux MLOps. |
Exemple: cycle de vie ML automatisé de Golden Bank
Les spécialistes des données de Golden Bank peuvent utiliser des pipelines pour automatiser leur cycle de vie complet de l'apprentissage automatique et leurs processus afin de simplifier le processus de réapprentissage du modèle d'apprentissage automatique.
Tutoriels pour watsonx.ai
| Tutoriel | Descriptif | Expertise pour le tutoriel |
|---|---|---|
| Affinez et visualisez les données avec Data Refinery | Préparez et visualisez les données tabulaires à l'aide d'un éditeur de flux graphique. | Sélectionnez des opérations pour manipuler les données. |
| Générer des données tabulaires synthétiques | Générez des données tabulaires synthétiques à l'aide d'un éditeur de flux graphique. | Sélectionnez des opérations pour générer des données. |
| Analyse des données dans un bloc-notes Jupyter | Chargez les données, exécutez et partagez un bloc-notes. | Comprendre le code Python généré. |
| Génération et déploiement d'un modèle d'apprentissage automatique avec AutoAI | Créer automatiquement des candidats modèles à l'aide de l'outil AutoAI. | Générez, déployez et testez un modèle sans codage. |
| Génération et déploiement d'un modèle d'apprentissage automatique dans un bloc-notes | Construire un modèle en mettant à jour et en exécutant un notebook qui utilise du code Python et les API de watsonx.ai Runtime. | Générez, déployez et testez un modèle scikit-learn qui utilise le code Python . |
| Génération et déploiement d'un modèle d'apprentissage automatique avec SPSS Modeler | Générez un modèle C5.0 qui utilise l'outil SPSS Modeler . | Déposez les données et les noeuds d'opération sur un canevas et sélectionnez les propriétés. |
| Génération et déploiement d'un modèle Decision Optimization | Créer automatiquement des scénarios avec l'assistant de modélisation. | Résolvez et explorez des scénarios, puis déployez et testez un modèle sans codage. |
| Promouvoir un foundation model à l'aide de Prompt Lab | Testez les différents modèles de base d'invite, explorez les exemples d'invite et sauvegardez et partagez vos meilleures invites. | Invite un modèle à l'aide de Prompt Lab sans codage. |
| Promouvoir un foundation model à l'aide du modèle de génération augmentée par la recherche | Promouvoir un foundation model en exploitant les informations d'une base de connaissances. | Utilisez le modèle de génération d'extension d'extraction dans un bloc-notes Jupyter qui utilise le code Python . |
| Mise au point d'un foundation model | Ajuster un foundation model pour en améliorer les performances. | Utilisez le Tuning Studio pour mettre au point un modèle sans codage. |
| Automatiser le cycle de vie d'un modèle avec des pipelines | Créez et exécutez un pipeline pour automatiser la génération et le déploiement d'un modèle d'apprentissage automatique. | Déposez les noeuds d'opération sur un canevas et sélectionnez les propriétés. |
Les prochaines étapes
- Commencez à gouverner vos solutions d'IA avec watsonx.governance
- Faites évoluer les charges de travail d'IA, pour toutes vos données, partout avec watsonx.data Presto
En savoir plus
- IBM watsonx
- aperçu du studiowatsonx.ai
- aperçu de l'exécution dewatsonx.ai
- Vidéos
- Essayez différents cas d'utilisation sur un site en libre-service. Sélectionnez un cas d'utilisation pour expérimenter une application opérationnelle générée avec watsonx. Développeurs, accédez à des conseils de sélection d'invite et de construction, ainsi qu'à un exemple de code d'application, pour accélérer votre projet.
Rubrique parent: Cas d'utilisation