IBM watsonx.ai ユースケース

例ゴールデンバンクのデータ準備

彼らのプロジェクトでは、データサイエンティストは機械学習モデルをトレーニングするために、データが正しい形式であることを確認することでデータを改良する。 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実験において、構造化された逐次学習データを使用する。

例ゴールデンバンクの機械学習モデル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、過去のデータを使用して隠れたパターンを強調する時系列分析異常検出モデルを構築しています。 目的は、特定の企業について株価異常が発生した日付を予測できるモデルを構築することである。

例ゴールデンバンクのモデル展開

ゴールデン・バンクのオペレーション・チームのメンバーは、「ストック・アノマリー・モデル」をプロジェクトからデプロイメント・スペースに昇格させ、オンライン・モデルのデプロイメントを作成する。 次に、株価データを入力し、アノマリーの日付を出力することで、導入したモデルをテストする。

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チームとプロンプトエンジニアリングチームが協力して、さまざまなオンラインニュースソースから、異常予測モデルから得られた異常日付に一致する関連文書を収集する。 彼らはこれらの日付をジュピター・ノートブックに入力し、オンライン・ニュース記事のソーシングを自動化して、現在の世界情勢が株価のアノマリーにどのような影響を及ぼしているかを判断している。 Jupyter Notebookは、LangChainを使用して、テキストをプロンプトに含めるのに適した、より小さなテキストに分割します。 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する。

次に、チームはプロンプト・ラボを使って、要約用のプロンプト・テンプレートと質問応答用のプロンプト・テンプレートを作成する。 要約タスクでは、ニュース記事の文章を要約し、文章からより多くの情報を得るための質問を促すことが目的である。 質問と回答のタスクでは、質問と回答によってインプットとアウトプットが異なるため、ニュース記事のテキストをインストラクションに入力する。

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、新しい記事を追加して基礎モデルのチューニングを行った。 チームは、推論用に選択したオリジナルの基礎モデルと同じ性能レベルを持つ、よりコスト効率の良い小型の基礎モデルを作成する。

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、パイプラインを使ってMLのライフサイクル全体とプロセスを自動化し、機械学習モデルの再トレーニング・プロセスを簡素化できる。