0 / 0
Retourner à la version anglaise de la documentation
Scénario d'utilisation Watsonx.ai

Scénario d'utilisation Watsonx.ai

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 Golden Bank qui utilise watsonx.ai pour implémenter un processus d'analyse des anomalies de stock afin de stimuler la productivité et d'augmenter la précision d'un analyste de stock dans la banque d'investissement. L'équipe doit:

  • Préparez les données de stock pour vous assurer que le format est correct pour entraîner le modèle.
  • Générez et déployez un modèle d'apprentissage automatique pour prévoir les anomalies dans la performance du cours des actions.
  • Trouver et tronçonner des articles de presse sur les dates où les anomalies se sont produites.
  • Construisez des modèles d'invite pour effectuer des tâches de synthèse et de réponse aux questions.
  • Optimisez le modèle de fondatation avec des données de nouvel entraînement pour 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:

  1. Préparer les données
  2. Génération et entraînement de modèles
  3. Déployer des modèles
  4. Demander un modèle de base
  5. Optimiser un modèle de base
  6. 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.

Image illustrant le flux du cas d'utilisation watsonx.ai

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 d'apprentissage automatique utilisent les données d'apprentissage structurées et séquentielles dans l'expérimentation AutoAI de prévision des anomalies de séries temporelles qui génère 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 spécialistes des données de Golden Bank utilisent AutoAI pour créer un modèle de détection des anomalies d'analyse de séries temporelles qui met en évidence les motifs masqués à l'aide de données d'historique. L'objectif est de créer un modèle qui peut prédire les dates où des anomalies de stock se sont produites pour une société spécifique.


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 des opérations de Golden Bank promeuvent le "Stock Anomaly Model" du projet vers un espace de déploiement, puis créent un déploiement de modèle en ligne. Ensuite, ils testent le modèle déployé en entrant des données de stock dans les dates de sortie des anomalies.


4. Demander un modèle de base

Votre équipe peut écrire du code dans un bloc-notes Jupyter ou utiliser le laboratoire d'invite pour développer des invites avec un modèle de base.

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 des données, ajuster des paramètres de modèle de base, demander des modèles de base et générer une sortie factuellement précise en appliquant le modèle de génération d'extension d'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

Le spécialiste des données de Golden Bank et les équipes d'ingénierie rapide travaillent ensemble pour collecter des documents pertinents à partir de diverses sources d'informations en ligne qui correspondent aux dates d'anomalie obtenues à partir du modèle de prévision des anomalies. Ils alimentent ces dates dans un bloc-notes Jupyter pour automatiser le sourçage des articles de nouvelles en ligne afin de déterminer quels événements mondiaux en cours peuvent contribuer aux anomalies de stock. 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 synthèse et un modèle d'invite pour la réponse aux questions. Pour la tâche de récapitulation, l'objectif est de récapituler le texte de l'article de forum et d'inviter les questions à obtenir plus d'informations à partir du texte. Pour la tâche de réponse aux questions, l'entrée et la sortie varient en fonction de la question et des réponses, de sorte qu'elles alimentent le texte de l'article de presse dans les instructions.

5. Régler un modèle de base

Votre équipe peut écrire du code dans un bloc-notes Jupyter ou utiliser Tuning Studio pour optimiser un modèle de base. Vous pouvez optimiser un modèle de base pour réduire les coûts ou améliorer les performances du modèle.

Ce que vous pouvez utiliser Ce que vous pouvez faire A utiliser de préférence lorsque
Optimisation de Studio Utilisez Tuning Studio pour optimiser un modèle de base afin de réduire les coûts ou d'améliorer les performances. Vous voulez une interface utilisateur facile pour créer un modèle de base optimisé.
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 prompte de Golden Bank ajuste le modèle de base à l'aide de nouveaux articles supplémentaires. L'équipe produit un modèle de base plus économique et plus petit avec le même niveau de performance que le modèle de base d'origine qu'elle a sélectionné pour l'inférence.


6. Automatisation du cycle de vie de l'apprentissage automatique

Votre équipe peut automatiser et simplifier le cycle de vie des MLOps et de l'IA avec Watson Pipelines.

Ce que vous pouvez utiliser Ce que vous pouvez faire A utiliser de préférence lorsque
Watson Pipelines 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 Créez un modèle en mettant à jour et en exécutant un bloc-notes qui utilise le code Python et les API Watson Machine Learning. 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.
Demander un modèle de base 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.
Demander un modèle de base avec le modèle de génération d'extension d'extraction Invitez un modèle de base en tirant parti des 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 .
Optimiser un modèle de base Optimisez un modèle de base pour améliorer les performances du modèle. Utilisez Tuning Studio pour optimiser 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.
Essayez le cas d'utilisation de bout en bout watsonx.ai Suivez un cas d'utilisation à partir de la préparation des données via l'ingénierie des invites. Utilisez divers outils, tels que des blocs-notes et Prompt Lab.

Les prochaines étapes

  • Commencez à gouverner vos solutions d'IA avec watsonx.governance
  • Mettez à l'échelle les charges de travail de l'intelligence artificielle, pour toutes vos données, n'importe où avec watsonx.data

En savoir plus

Rubrique parent: Cas d'utilisation

Recherche et réponse à l'IA générative
Ces réponses sont générées par un modèle de langue de grande taille dans watsonx.ai en fonction du contenu de la documentation du produit. En savoir plus