IBM watsonx.ai のユース・ケース
AI 主導のソリューションを使用してビジネス・プロセスを変革するには、企業は機械学習と生成 AI の両方を運用フレームワークに統合する必要があります。 watsonx.ai は、企業が機械学習モデルと生成 AI ソリューションを開発およびデプロイできるようにするためのプロセスとテクノロジーを提供します。
チャレンジ
watsonx.ai: を使用することで、企業の以下の課題を解決できます。
- 高品質データへのアクセス
- 組織は、データを使用して機械学習モデルを構築するデータ・サイエンス・チームに、高品質のデータへの容易なアクセスを提供する必要があります。
- 機械学習モデルの構築とデプロイの運用化
- 組織は、機械学習モデルを迅速かつ効率的に構築して実稼働環境にデプロイするために、反復可能なプロセスを実装する必要があります。
- ファウンデーション・モデルを使用した回答の検索
- 組織は、文書内の非構造化データから情報を取得する必要があります。
例: ゴールデン・バンクの課題
ゴールデン・バンクが watsonx.ai を使用して、株式の異常を分析して生産性を向上させ、投資銀行の株式アナリストの正確性を高めるプロセスを実装する際に、ゴールデン・バンクの事例に従ってください。 チームは以下を行う必要があります。
- モデルをトレーニングするための正しいフォーマットを確保するために、ストック・データを準備します。
- 機械学習モデルを構築してデプロイし、株価のパフォーマンスの異常を予測します。
- 異常が発生した日付に関するニュース記事を見つけてチャンク化します。
- 要約タスクおよび質問への回答タスクを実行するためのプロンプト・テンプレートを作成します。
- リトレーニング・データを使用して基礎モデルを調整し、最高のパフォーマンスと費用対効果を確保します。
- パイプラインを作成して、リトレーニング・プロセスを簡素化します。
プロセス
企業で watsonx.ai を活用するために、組織は以下のプロセスに従うことができます。
watsonx.ai コンポーネントは、組織が AI ソリューションを実装するために必要とするツールとプロセスを提供します。
1. データの準備
データ・サイエンティストは、独自のデータ・セットを準備できます。 データ・サイエンティスト・チームは、これらのデータ資産をプロジェクトに追加し、共同でデータの準備、分析、およびモデル化を行うことができます。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
Data Refinery | 多様なデータ・ソース接続からのデータにアクセスし、データを精製します。 結果のデータ・セットを、他のデータ・サイエンティストが分析および探索するためにデータを結合、結合、またはフィルタリングする可能性があるスナップショットとして時間内に具体化します。 |
データをシェーピングまたはクレンジングする場合は、データを視覚化する必要があります。 大量の生データを分析用に準備するプロセスを簡素化する必要があります。 |
Synthetic Data Generator | ビジュアル・フローおよびモデリング・アルゴリズムを使用して、実動データまたはカスタム・データ・スキーマに基づいて合成表データを生成します。 | 実動データをマスクまたは模倣するか、カスタム・データ・スキーマから合成データを生成します。 |
例: ゴールデン・バンクのデータ準備
プロジェクトでは、データ・サイエンティストは、データが正しい形式であることを確認することで、機械学習モデルのトレーニングのためにデータを準備するためにデータを洗練します。 機械学習エンジニアは、モデル・パイプラインを構築する時系列異常予測 AutoAI エクスペリメントで、構造化された順次トレーニング・データを使用します。
2. 機械学習モデルの作成とトレーニング
データに基づいて予測的な洞察を得るために、データ・サイエンティスト、ビジネス・アナリスト、および機械学習エンジニアは、機械学習モデルを作成してトレーニングすることができます。 データ・サイエンティストは、 watsonx.ai ツールを使用して AI モデルを構築し、ビジネス上の問題の解決に役立つ予測を行うために適切なアルゴリズムと最適化が使用されるようにします。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
AutoAI | AutoAI を使用して、アルゴリズムの選択、フィーチャーの設計、パイプライン候補の生成、および機械学習モデル・パイプライン候補のトレーニングを自動的に行います。 次に、ランク付けされたパイプラインを評価し、最適な機械学習モデルを機械学習モデルとして保存します。 トレーニングされた機械学習モデルをスペースにデプロイするか、 AutoAI から好みのモデル・トレーニング・パイプラインをノートブックにエクスポートして洗練させます。 |
優れた一連のトレーニング・パイプラインと機械学習モデルを素早く作成するための高度な自動化された方法が必要です。 生成されたパイプラインをエクスポートして洗練させることができます。 |
ノートブックおよびスクリプト | ノートブックおよびスクリプトを使用して、 Python または R で独自の特徴量エンジニアリング・モデルのトレーニングおよび評価コードを作成します。 プロジェクトで使用可能なトレーニング・データ・セット、またはデータベース、データレイク、オブジェクト・ストレージなどのデータ・ソースへの接続を使用します。 任意のオープン・ソース・フレームワークおよびライブラリーを使用するコード。 |
機械学習モデルの作成、トレーニング、および評価に使用されるコードを完全に制御するために、 Python または R のコーディング・スキルを使用する必要があります。 |
SPSS Modeler フロー | SPSS Modeler フローを使用して、独自の機械学習モデルのトレーニング、評価、およびスコアリングのフローを作成します。 プロジェクトで使用可能なトレーニング・データ・セット、またはデータベース、データレイク、オブジェクト・ストレージなどのデータ・ソースへの接続を使用します。 | データを探索し、機械学習モデルのトレーニング、評価、およびスコアリングのフローを定義するための簡単な方法が必要です。 |
RStudio | RStudio で R を使用して、データを分析し、機械学習モデルを作成してテストします。 | R で作業するために開発環境を使用したいと考えています。 |
Decision Optimization | データを準備し、モデルをインポートし、問題を解決し、シナリオを比較し、データを視覚化し、解決策を見つけ、レポートを作成し、機械学習モデルをデプロイします。 | 処方的分析の問題に対する最良の解決策を見つけるには、何百万もの可能性を評価する必要があります。 |
統合学習 | 分散データを使用する一般的な機械学習モデルをトレーニングします。 | 複数の場所に分散しているデータを移動、結合、または共有することなく、機械学習モデルをトレーニングする必要があります。 |
例: ゴールデン・バンクの機械学習モデルの構築とトレーニング
ゴールデン・バンクのデータ・サイエンティストは、 AutoAI を使用して、履歴データを使用して隠れたパターンを強調表示する時系列分析異常検出モデルを作成します。 目的は、特定の企業で株式の異常が発生した日付を予測できるモデルを作成することです。
3. モデルのデプロイ
運用チーム・メンバーが AI モデルをデプロイすると、機械学習モデルをアプリケーションで使用できるようになり、アクションの推進に役立つスコアリングと予測に使用できるようになります。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
スペース・ユーザー・インターフェース | スペース UI を使用して、プロジェクトからスペースにモデルおよびその他の資産をデプロイします。 | コラボレーション・ワークスペースにモデルをデプロイし、デプロイメント情報を表示する必要があります。 |
例: ゴールデン・バンクのモデル・デプロイメント
ゴールデン・バンクのオペレーション・チーム・メンバーは、「Stock Anomaly Model」をプロジェクトからデプロイメント・スペースにプロモートしてから、オンライン・モデル・デプロイメントを作成します。 次に、異常の出力日に在庫データを入力することで、デプロイされたモデルをテストします。
4. ファウンデーション・モデルのプロンプト
チームは、Jupyter ノートブックでコードを作成することも、プロンプト・ラボを使用してファウンデーション・モデルでプロンプトを開発することもできます。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
プロンプト・ラボ | プロンプト・ラボを使用して、さまざまなファウンデーション・モデルのプロンプトを試すことができます。 さまざまなファウンデーション・モデルを選択してプロンプトを出します。 最も効果的なプロンプトを保存して共有します。 | さまざまなプロンプトを探索およびテストするための簡単なユーザー・インターフェースが必要です。 プロンプト・テンプレートを保存するか、プロジェクト資産としてプロンプト・セッションを保存するか、Jupyter ノートブックとしてエクスポートしてさらに分析を実行することができます。 |
ノートブックおよびスクリプト | Python ライブラリーを使用してプログラムでファウンデーション・モデルにプロンプトを出すには、ノートブックとスクリプトを使用します。 このコードは、検索拡張生成パターンを適用することにより、データの変換、ファウンデーション・モデル・パラメーターの調整、ファウンデーション・モデルのプロンプト、および事実上正確な出力の生成を行うことができます。 プロジェクトで使用可能なトレーニング・データ・セット、またはデータベース、データレイク、オブジェクト・ストレージなどのデータ・ソースへの接続を使用します。 お気に入りのオープン・ソース・フレームワークおよびライブラリーを使用します。 |
プロンプト・エンジニアリングの実行および評価に使用されるコードを完全に制御するために、 Python または R のコーディング・スキルを使用する必要があります。 |
例: ゴールデン・バンクのプロンプト・エンジニアリング
ゴールデン・バンクのデータ・サイエンティストとプロンプト・エンジニアリング・チームは連携して、異常予測モデルから取得した異常日付に一致するさまざまなオンライン・ニュース・ソースから関連文書を収集します。 これらの日付を Jupyter ノートブックにフィードして、オンライン・ニュース記事のソーシングを自動化し、現在の世界のどのイベントが株式の異常の原因となっている可能性があるかを判別します。 Jupyter Notebook は、 LangChain を使用して、プロンプトへの組み込みに適した小さいテキスト抽出にテキストをチャンク化します。 このタスクは、トークンがコンテキスト・トークン・ウィンドウの制限を超えないようにします。
次に、チームはプロンプト・ラボを使用して、要約用のプロンプト・テンプレートと質問への回答用のプロンプト・テンプレートを作成します。 要約タスクの目的は、ニュース記事のテキストを要約し、テキストからより多くの情報を取得するための質問を促すことです。 質問への回答タスクの場合、入力と出力は質問と回答によって異なるため、ニュース記事のテキストが指示に送られます。
5. 基盤モデルの調整
チームは Jupyter ノートブックでコードを書いたり、Tuning Studio を使って基礎モデルのチューニングを行うことができます。 ファウンデーション・モデルを調整して、コストを削減したり、モデルのパフォーマンスを向上させたりすることができます。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
Tuning Studio | Tuning Studio を使用して、基礎モデルをチューニングし、コストを削減したり、パフォーマンスを向上させたりします。 | チューニングされたファウンデーション・モデルを作成するための簡単なユーザー・インターフェースが必要です。 |
ノートブックおよびスクリプト | ノートブックおよびスクリプトを使用し、 Python ライブラリーを使用して、ファウンデーション・モデルをプログラマチックに調整します。 このコードは、プロンプト・チューニング・プロセスをトリガーし、プロンプト・チューニング・モデルをデプロイし、プロンプト・チューニング・モデルを推論することができます。 プロジェクトで使用可能なトレーニング・データ・セット、またはデータベース、データレイク、オブジェクト・ストレージなどのデータ・ソースへの接続を使用します。 お気に入りのオープン・ソース・フレームワークおよびライブラリーを使用します。 |
Python または R のコーディング・スキルを使用して、データの変換に使用されるコードを完全に制御し、モデルを調整および評価する必要があります。 |
例: ゴールデン・バンクのプロンプト・チューニング
ゴールデン・バンクのプロンプト・エンジニアリング・チームは、追加の新しい記事を使用してファウンデーション・モデルを調整します。 チームは、推論のために選択した元のファウンデーション・モデルと同じパフォーマンス・レベルで、より費用対効果の高い、より小さなファウンデーション・モデルを作成します。
6. ML ライフサイクルの自動化
チームは、オーケストレーション・パイプラインを使用して、MLOps と AI のライフサイクルを自動化し、簡素化することができます。
使用可能なもの | 実行できる操作 | 使用時に最適 |
---|---|---|
オーケストレーション・パイプライン | パイプラインを使用して、データ取り込みからモデルのトレーニング、テスト、およびデプロイメントに至るまで、ノートブック、 Data Refinery、および機械学習パイプラインを自動化する反復可能なスケジュール済みフローを作成します。 | MLOps フロー内の一部またはすべてのステップを自動化する必要があります。 |
例: ゴールデン・バンクの自動化された ML ライフサイクル
ゴールデン・バンクのデータ・サイエンティストは、パイプラインを使用して、ML のライフサイクルとプロセス全体を自動化し、機械学習モデルのリトレーニング・プロセスを簡素化することができます。
watsonx.ai のチュートリアル
チュートリアル | 説明 | チュートリアルの専門知識 |
---|---|---|
Data Refinery を使用してデータを詳細化と視覚化にする | グラフィカル・フロー・エディターを使用して表データを準備し、視覚化します。 | データを操作する操作を選択します。 |
合成表データの生成 | グラフィカル・フロー・エディターを使用して、合成表データを生成します。 | データを生成する操作を選択します。 |
Jupyter ノートブックでデータを分析する | データをロードし、ノートブックを実行して共有します。 | 生成された Python コードについて説明します。 |
AutoAI を使用した機械学習モデルを作成とデプロイする | AutoAI ツールを使用してモデル候補を自動的に作成します。 | コーディングなしでモデルをビルド、デプロイ、およびテストします。 |
ノートブックでの機械学習モデルの作成とデプロイする | Python コードおよび Watson Machine Learning API を使用するノートブックを更新および実行して、モデルを作成します。 | Python コードを使用する scikit-learn モデルをビルド、デプロイ、およびテストします。 |
SPSS Modeler を使用して機械学習モデルを作成とデプロイする | SPSS Modeler ツールを使用する C5.0 モデルを作成します。 | データ・ノードと操作ノードをキャンバスにドロップし、プロパティーを選択します。 |
Decision Optimization モデルをビルドとデプロイする | Modeling Assistant を使用してシナリオを自動的に作成します。 | シナリオを解決して検討し、コーディングなしでモデルをデプロイしてテストします。 |
プロンプト・ラボを使用した基盤モデルのプロンプト | さまざまな基盤モデルにプロンプトを出し、サンプル・プロンプトを探索し、最適なプロンプトを保存して共有します。 | コーディングなしでプロンプト・ラボを使用してモデルにプロンプトを出します。 |
取得拡張された生成パターンを使用して基盤モデルにプロンプトを出す | 知識ベース内の情報を活用して、基盤モデルを促進します。 | Python コードを使用する Jupyter ノートブックで、取得拡張された生成パターンを使用します。 |
ファ基盤モデルの調整 | ファウンデーション・モデルを調整して、モデルのパフォーマンスを向上させます。 | Tuning Studioを使用して、コーディングなしでモデルをチューニングします。 |
パイプラインを使用したモデルのライフサイクルの自動化 | 機械学習モデルの構築とデプロイを自動化するためのパイプラインを作成して実行します。 | キャンバスに操作ノードをドロップし、プロパティーを選択します。 |
watsonx.ai エンドツーエンド・ユース・ケースを試す | プロンプト・エンジニアリングを通じて、データの準備からユース・ケースをフォローします。 | ノートブックやプロンプト・ラボなどのさまざまなツールを使用します。 |
ネクスト・ステップ
- watsonx.governance を使用して AI ソリューションの管理を開始します。
- watsonx.data Presto により、すべてのデータに対して、AI ワークロードをどこでも拡張できます
詳細情報
- IBM watsonx の概要
- Watson Studio の概説
- Watson Machine Learning の概要
- 動画
- セルフサービス・サイトでさまざまなユース・ケースを試すことができます。 watsonxで構築されたライブ・アプリケーションを体験するためのユース・ケースを選択します。 開発者は、プロジェクトを加速するために、サンプル・アプリケーション・コードとともに、プロンプトの選択および構成ガイダンスにアクセスします。
親トピック: ユース・ケース