IBM watsonx.ai のユース・ケース

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。

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。

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。

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。

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。

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。