Per trasformare i tuoi processi di business con soluzioni basate sull'intelligenza artificiale, la tua azienda deve integrare sia il machine learning che l'intelligenza artificiale generativa nel tuo framework operativo. watsonx.ai fornisce i processi e le tecnologie per consentire alla tua azienda di sviluppare e distribuire modelli di machine learning e soluzioni AI generative.
Le sfide
Puoi risolvere le seguenti sfide per la tua azienda utilizzando watsonx.ai: :
- Accesso a dati di alta qualità
- Le aziende devono fornire un facile accesso ai dati di alta qualità per i team di data science che utilizzano i dati per creare modelli di machine learning.
- Operazionalizzazione della creazione e distribuzione del modello di machine learning
- Le aziende devono implementare processi ripetibili per sviluppare e implementare in modo rapido ed efficiente i modelli di machine learning negli ambienti di produzione.
- Ricerca di risposte con modelli di base
- Le aziende devono ottenere informazioni dai dati non strutturati nei documenti.
Esempio: le sfide della Golden Bank
Seguite la storia della Golden Bank che utilizza watsonx.ai per implementare un processo di valutazione dell'equità nell'approvazione dei mutui. Il team deve:
- Preparare i dati per garantire il formato corretto per l'addestramento del modello.
- Costruire e distribuire un modello di apprendimento automatico per valutare la correttezza delle previsioni di approvazione dei mutui.
- Trovare promozioni simili per i loro concorrenti.
- Costruire modelli di prompt per eseguire compiti di generazione e di risposta alle domande.
- Mettere a punto il foundation model con i dati di riqualificazione per garantire le migliori prestazioni e l'efficacia dei costi.
- Creare una pipeline per semplificare il processo di riaggiornamento.
Processo
Per sfruttare watsonx.ai per la tua azienda, la tua organizzazione può seguire questo processo:
- Preparare i dati
- Crea e addestra modelli
- Implementazione di modelli
- Promuovere un foundation model
- Mettere a punto un foundation model
- Automatizza il ciclo di vita dell'intelligenza artificiale
Il componente watsonx.ai fornisce gli strumenti e i processi necessari alla tua organizzazione per implementare una soluzione AI.
1. Preparare i dati
I data scientist possono preparare i propri dataset. I team di data scientist possono aggiungere tali asset di dati a un progetto, dove collaborano per preparare, analizzare e modellare i dati.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| Data Refinery | Accedere e perfezionare i dati da diverse connessioni origine dati. Materializzare i dataset risultanti come istantanee nel tempo che potrebbero combinare, unire o filtrare i dati per altri data scientist da analizzare ed esplorare. |
È necessario visualizzare i dati quando si desidera modellarli o ripulirli. Si desidera semplificare il processo di preparazione di grandi quantità di dati non elaborati per l'analisi. |
| Synthetic Data Generator | Generare dati tabulari sintetici in base ai dati di produzione o a uno schema di dati personalizzato utilizzando flussi visivi e algoritmi di modellazione. | Si desidera mascherare o imitare i dati di produzione o si desidera generare dati sintetici da un schema dati personalizzato. |
Esempio: preparazione dei dati della Golden Bank
Nel loro progetto, i data scientist perfezionano i dati per prepararli all'addestramento di un modello di machine learning, assicurando che i dati siano nel formato corretto. Gli ingegneri dell'apprendimento automatico utilizzano i dati di formazione strutturati e sequenziali nell'esperimento AutoAI che costruisce le pipeline di modelli.
2. Creare e addestrare modelli di machine learning
Per ottenere informazioni predittive basate sui tuoi dati, i data scientist, gli analisti di business e gli ingegneri del machine learning possono creare e addestrare modelli di machine learning. I data scientist utilizzano gli strumenti watsonx.ai per creare i modelli AI, garantendo che vengano utilizzati gli algoritmi e le ottimizzazioni corretti per effettuare previsioni che aiutano a risolvere i problemi aziendali.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| AutoAI | Utilizzare AutoAI per selezionare automaticamente gli algoritmi, le funzioni di ingegnere, generare i candidati della pipeline e preparare i candidati della pipeline del modello di machine learning. Quindi, valutare le pipeline classificate e salvare le migliori come modelli di machine learning. Distribuire i modelli di machine learning addestrati in uno spazio oppure esportare la pipeline di training del modello che si desidera da AutoAI in un notebook per perfezionarla. |
Si desidera un modo avanzato e automatizzato per creare rapidamente una buona serie di pipeline di formazione e modelli di machine learning. Si desidera poter esportare le pipeline generate per perfezionarle. |
| Notebook e script | Utilizzare i notebook e gli script per scrivere il proprio codice di valutazione e di addestramento del modello di progettazione della funzione in Python o R. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni alle origini dati come database, laghi di dati o archivio oggetti. Codice con le librerie e i framework open source preferiti. |
Vuoi utilizzare le capacità di codifica Python o R per avere il controllo completo del codice utilizzato per creare, addestrare e valutare i modelli di machine learning. |
| Flussi SPSS Modeler | Utilizzare i flussi SPSS Modeler per creare i propri flussi di calcolo del punteggio, valutazione e addestramento del modello di machine learning. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni alle origini dati come database, laghi di dati o archiviazione oggetti. | Si desidera utilizzare un metodo semplice per esplorare i dati e definire i flussi di calcolo del punteggio, valutazione e addestramento del modello di machine learning. |
| RStudio | Analizzare i dati e creare e testare i modelli di machine learning utilizzando R in RStudio. | Si desidera utilizzare un ambiente di sviluppo per lavorare in R. |
| Decision Optimization | Prepara dati, importa modelli, risolvi problemi e confronta scenari, visualizza dati, trova soluzioni, produci report e distribuisci modelli di machine learning. | È necessario valutare milioni di possibilità per trovare la soluzione migliore per un problema di analitica prescrittiva. |
| Apprendimento federato | Formare un modello di machine learning comune che utilizza i dati distribuiti. | Devi addestrare un modello di machine learning senza spostare, combinare o condividere i dati distribuiti in più ubicazioni. |
Esempio: creazione e formazione del modello di apprendimento automatico della Golden Bank
I data scientist di Golden Bank utilizzano AutoAI per costruire un modello di apprendimento automatico che prevede se un cliente acquisterà un prodotto bancario in base a una promozione.
3. Distribuisci modelli
Quando i membri del team operativo distribuiscono i modelli AI, i modelli di machine learning diventano disponibili per le applicazioni da utilizzare per il calcolo del punteggio e le previsioni per guidare le azioni.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| Interfaccia utente spazi | Utilizzare l'interfaccia utente Spazi per distribuire modelli e altri asset dai progetti agli spazi. | Si desidera distribuire modelli e visualizzare informazioni di distribuzione in uno spazio di collaborazione. |
Esempio: distribuzione del modello di Golden Bank
I membri del team operativo della Golden Bank promuovono il modello predittivo dal progetto a uno spazio di distribuzione e quindi creano un modello di distribuzione online. Quindi, testano il modello implementato inserendo dati di prova per prevedere se un cliente acquisterà un prodotto della banca in base alla promozione.
4. Promuovere un foundation model
Il team può scrivere codice in un taccuino Jupyter o utilizzare il Prompt Lab per sviluppare prompt con un foundation model.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| Lab prompt | Utilizzare il Prompt Lab per provare a richiedere diversi modelli di base. Selezionare diversi modelli di base da richiedere. Salvare e condividere le richieste più efficaci. | Si desidera un'interfaccia utente semplice per esplorare e testare diversi prompt. Si desidera essere in grado di salvare un modello di prompt o una sessione di prompt come asset di progetto o come esportazione come notebook Jupyter per eseguire ulteriori analisi. |
| Notebook e script | Utilizza i notebook e gli script per richiedere i modelli di base in modo programmatico utilizzando la libreria Python . Il codice è in grado di trasformare i dati, regolare i parametri foundation model, richiedere i modelli di fondazione e generare risultati accurati applicando il modello di generazione con recupero e incremento. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni a origini dati quali database, laghi di dati o archivio oggetti. Utilizzare le librerie e i framework open source preferiti. |
Vuoi utilizzare la capacità di codifica Python o R per avere il controllo completo sul codice utilizzato per eseguire e valutare la progettazione di prompt. |
Esempio: progettazione rapida di Golden Bank
I team di data scientist e di prompt engineering di Golden Bank lavorano insieme per raccogliere documenti rilevanti da varie fonti online che evidenziano le promozioni disponibili dei concorrenti. I dati sulle promozioni vengono inseriti in un notebook Jupyter per automatizzare la ricerca di articoli di notizie online. Jupyter Notebook utilizza LangChain per suddividere il testo in estrazioni di testo più piccole che possono essere incluse nei prompt. Questa attività garantisce che il token non superi le limitazioni della finestra del token di contesto.
Poi il team utilizza Prompt Lab per creare un modello di prompt per la generazione e un modello di prompt per la risposta alle domande. Per l'attività di generazione, l'obiettivo è generare contenuti e-mail che mettano in evidenza le promozioni della banca. Per il compito di risposta alle domande, l'input e l'output variano in base alle domande e alle risposte, quindi il testo di promozione viene inserito nelle istruzioni.
5. Mettere a punto un foundation model
Il team può scrivere codice in un notebook Jupyter o utilizzare Tuning Studio per mettere a punto un foundation model. Si potrebbe voler mettere a punto un foundation model per ridurre i costi o migliorare le prestazioni del modello.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| Tuning Studio | Utilizzare Tuning Studio per mettere a punto un foundation model per ridurre i costi o migliorare le prestazioni. | Si desidera un'interfaccia utente semplice per creare un foundation model sintonizzato. |
| Notebook e script | Utilizza notebook e script per ottimizzare i modelli di base in modo programmatico utilizzando la libreria Python . Il codice può attivare il processo di ottimizzazione del prompt, distribuire un modello ottimizzato del prompt e dedurre un modello ottimizzato del prompt. Utilizzare i dataset di addestramento disponibili nel progetto o le connessioni a origini dati quali database, laghi di dati o archivio oggetti. Utilizzare le librerie e i framework open source preferiti. |
Si desidera utilizzare le capacità di codifica Python o R per avere il controllo completo sul codice utilizzato per trasformare i dati e quindi ottimizzare e valutare i modelli. |
Esempio: ottimizzazione del prompt di Golden Bank
Il team di prompt engineering della Golden Bank mette a punto il foundation model utilizzando articoli contenenti promozioni aggiuntive. Il team produce un foundation model più economico e più piccolo con lo stesso livello di prestazioni del foundation model originale selezionato per l'inferenza.
6. Automatizza il ciclo di vita ML
Il tuo team può automatizzare e semplificare il ciclo di vita di MLOps e AI con Orchestration Pipelines.
| Cosa è possibile utilizzare | Cosa puoi fare tu | Migliore da utilizzare quando |
|---|---|---|
| Pipeline di orchestrazione | Utilizza le pipeline per creare flussi ripetibili e pianificati che automatizzano le pipeline di notebook, Data Refinerye machine learning, dall'inserimento dei dati alla formazione, al test e alla distribuzione del modello. | Si desidera automatizzare alcuni o tutti i passi in un flusso MLOps. |
Esempio: ciclo di vita ML automatizzato di Golden Bank
I data scientist di Golden Bank possono utilizzare le pipeline per automatizzarne il ciclo di vita e i processi per semplificare il processo di riaggiornamento del modello di machine learning.
Esercitazioni per watsonx.ai
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Perfezionare e visualizzare i dati con Data Refinery | Preparare e visualizzare i dati tabulari con un editor di flusso grafico. | Selezionare le operazioni per manipolare i dati. |
| Genera dati tabulari sintetici | Generare dati tabulari sintetici utilizzando un editor di flusso grafico. | Selezionare le operazioni per generare i dati. |
| Analizzare i dati in un notebook Jupyter | Caricare i dati, eseguire e condividere un notebook. | Informazioni sul codice Python generato. |
| Crea e distribuisci un modello di machine learning con AutoAI | Creare automaticamente i candidati del modello con lo strumento AutoAI . | Crea, distribuisci e verifica un modello senza codifica. |
| Crea e distribuisci un modello di machine learning in un notebook | Costruire un modello aggiornando ed eseguendo un notebook che utilizza il codice Python e le API watsonx.ai Runtime. | Crea, distribuisci e verifica un modello scikit-learn che utilizza il codice Python . |
| Crea e distribuisci un modello di machine learning con SPSS Modeler | Creare un modello C5.0 che utilizza lo strumento SPSS Modeler . | Rilasciare i dati e i nodi di operazione in un canvas e selezionare le proprietà. |
| Creare e distribuire un modello Decision Optimization | Creare automaticamente scenari con Modeling Assistant. | Risolvere ed esaminare gli scenari, quindi distribuire e testare un modello senza codifica. |
| Prompt di un foundation model utilizzando Prompt Lab | Sperimenta diversi modelli di base, esplora i prompt di esempio e salva e condividi i tuoi prompt migliori. | Richiedi un modello utilizzando Prompt Lab senza codifica. |
| Promuovere un foundation model con il modello di generazione aumentata dal reperimento | Promuovere un foundation model sfruttando le informazioni contenute in una base di conoscenza. | Utilizzare il pattern di creazione migliorato di richiamo in un notebook Jupyter che utilizza il codice Python . |
| Mettere a punto un foundation model | Mettere a punto un foundation model per migliorarne le prestazioni. | Usare Tuning Studio per mettere a punto un modello senza codificare. |
| Automatizzare il ciclo di vita per un modello con pipeline | Creare ed eseguire una pipeline per automatizzare la creazione e la distribuzione di un modello di machine learning. | Rilasciare i nodi di operazione su un riquadro e selezionare le proprietà. |
Fasi successive
- Inizia a gestire le tue soluzioni AI con watsonx.governance
- Scalate i carichi di lavoro AI, per tutti i vostri dati, ovunque con watsonx.data Presto
Ulteriori informazioni
- Panoramica diIBM watsonx
- panoramica dello studiowatsonx.ai
- panoramica del runtimewatsonx.ai
- Video
- Prova diversi casi di utilizzo su un sito self - service. Seleziona un caso di utilizzo per provare un'applicazione live creata con watsonx. Gli sviluppatori, accedono alla selezione rapida e alla guida alla costruzione, insieme al codice dell'applicazione di esempio, per accelerare il tuo progetto.
Argomento principale: Casi di utilizzo