0 / 0
영어 버전 문서로 돌아가기
Watsonx.ai 유스 케이스

Watsonx.ai 유스 케이스

AI 기반 솔루션으로 비즈니스 프로세스를 혁신하려면 엔터프라이즈에서 머신 러닝과 생성 AI를 모두 운영 프레임워크에 통합해야 합니다. Watsonx.ai 는 엔터프라이즈에서 기계 학습 모델 및 생성 AI 솔루션을 개발하고 배치할 수 있도록 프로세스 및 기술을 제공합니다.

해결 과제

watsonx.ai: 를 사용하여 엔터프라이즈에 대한 다음 인증 확인을 해결할 수 있습니다.

고품질 데이터 액세스
조직은 데이터를 사용하여 기계 학습 모델을 구축하는 데이터 과학 팀을 위해 고품질 데이터에 쉽게 액세스할 수 있어야 합니다.
기계 학습 모델 빌드 및 배치 조작
조직은 반복 가능한 프로세스를 구현하여 기계 학습 모델을 빠르고 효율적으로 빌드하여 프로덕션 환경에 배치해야 합니다.
기초 모델을 사용하여 응답 찾기
조직은 문서의 비정형 데이터에서 정보를 가져와야 합니다.

예: Golden Bank의 과제

watsonx.ai 를 사용하여 생산성을 높이고 투자 은행에서 주식 분석가의 정확성을 높이기 위해 주식 이상 항목을 분석하는 프로세스를 구현하는 골든 은행의 사례를 따르십시오. 팀은 다음을 수행해야 합니다.

  • 모델을 훈련하기 위한 올바른 형식을 보장하기 위해 재고 데이터를 준비하십시오.
  • 기계 학습 모델을 빌드하고 배치하여 주식 가격이 수행되는 방식에서 이상 항목을 예측합니다.
  • 이상 항목이 발생한 날짜에 대한 뉴스 기사를 찾아 청크합니다.
  • 요약 및 질문에 응답하는 태스크를 수행하기 위한 프롬프트 템플리트를 구성하십시오.
  • 최상의 성능 및 비용 효율성을 보장하기 위해 재교육 데이터를 사용하여 기초 모델을 조정하십시오.
  • 파이프라인을 작성하여 재훈련 프로세스를 단순화하십시오.

프로세스

엔터프라이즈에 대해 watsonx.ai 를 활용하기 위해 조직은 다음 프로세스를 따를 수 있습니다.

  1. 데이터 준비
  2. 모델 빌드 및 훈련
  3. 모델 배포
  4. 기초 모델 프롬프트
  5. 기초 모델 조정
  6. AI 라이프사이클 자동화

watsonx.ai 컴포넌트는 조직에서 AI 솔루션을 구현하는 데 필요한 도구 및 프로세스를 제공합니다.

watsonx.ai 유스 케이스의 플로우를 보여주는 이미지

1. 데이터 준비

데이터 과학자는 자체 데이터 세트를 준비할 수 있습니다. 데이터 과학자 팀은 데이터를 준비, 분석 및 모델링하기 위해 협업하는 프로젝트에 해당 데이터 자산을 추가할 수 있습니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
Data Refinery 다양한 데이터 소스 연결에서 데이터에 액세스하고 이를 세분화하십시오.

다른 데이터 과학자가 분석하고 탐색할 수 있도록 데이터를 결합, 결합 또는 필터링할 수 있는 시간 내에 결과 데이터 세트를 스냅샷으로 구체화하십시오.
데이터를 쉐이핑하거나 정리하려는 경우 데이터를 시각화해야 합니다.

분석을 위해 대량의 원시 데이터를 준비하는 프로세스를 단순화하려고 합니다.
Synthetic Data Generator 비주얼 플로우 및 모델링 알고리즘을 사용하여 프로덕션 데이터 또는 사용자 정의 데이터 스키마를 기반으로 합성 테이블 데이터를 생성합니다. 프로덕션 데이터를 마스킹하거나 모방하려고 하거나 사용자 정의 데이터 스키마에서 합성 데이터를 생성하려고 합니다.

예: Golden Bank의 데이터 준비

프로젝트에서 데이터 과학자는 데이터가 올바른 형식으로 되어 있는지 확인하여 데이터를 정제하여 기계 학습 모델 훈련을 준비합니다. 기계 학습 엔지니어는 모델 파이프라인을 빌드하는 시계열 이상 항목 예측 AutoAI 실험에서 구조화되고 순차적인 훈련 데이터를 사용합니다.


2. 기계 학습 모델 빌드 및 훈련

데이터를 기반으로 예측 인사이트를 확보하기 위해 데이터 과학자, 비즈니스 분석가 및 기계 학습 엔지니어는 기계 학습 모델을 빌드하고 훈련할 수 있습니다. 데이터 과학자는 watsonx.ai 도구를 사용하여 AI 모델을 빌드함으로써 비즈니스 문제점을 해결하는 데 도움이 되는 예측을 작성하는 데 올바른 알고리즘 및 최적화가 사용되도록 합니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
AutoAI AutoAI 를 사용하여 알고리즘을 자동으로 선택하고, 기능을 엔지니어링하고, 파이프라인 후보를 생성하고, 머신 러닝 모델 파이프라인 후보를 훈련합니다.

그런 다음 순위가 지정된 파이프라인을 평가하고, 최상의 파이프라인을 머신 러닝 모델로 저장합니다.

훈련된 머신 러닝 모델을 공간에 배치하거나, AutoAI 에서 원하는 모델 훈련 파이프라인을 노트북으로 내보내서 세분화하십시오.
우수한 훈련 파이프라인 및 기계 학습 모델 세트를 빠르게 빌드하기 위한 고급 및 자동화된 방법을 원합니다.

생성된 파이프라인을 내보내어 세분화할 수 있기를 원합니다.
노트북 및 스크립트 노트북 및 스크립트를 사용하여 Python 또는 R에서 사용자 고유의 기능 엔지니어링 모델 훈련 및 평가 코드를 작성하십시오. 프로젝트에서 사용 가능한 훈련 데이터 세트 또는 데이터베이스, 데이터 레이크 또는 오브젝트 스토리지와 같은 데이터 소스에 대한 연결을 사용하십시오.

선호하는 오픈 소스 프레임워크 및 라이브러리가 있는 코드.
Python 또는 R 코딩 기술을 사용하여 기계 학습 모델을 작성, 훈련 및 평가하는 데 사용되는 코드를 완전히 제어할 수 있습니다.
SPSS Modeler 플로우 SPSS Modeler 플로우를 사용하여 사용자 고유의 기계 학습 모델 훈련, 평가 및 스코어링 플로우를 작성하십시오. 프로젝트에서 사용 가능한 훈련 데이터 세트 또는 데이터베이스, 데이터 레이크 또는 오브젝트 스토리지와 같은 데이터 소스에 대한 연결을 사용하십시오. 데이터를 탐색하고 기계 학습 모델 훈련, 평가 및 스코어링 플로우를 정의하는 간단한 방법을 원합니다.
RStudio RStudio에서 R을 사용하여 데이터를 분석하고 기계 학습 모델을 빌드 및 테스트합니다. R에서 작업하기 위해 개발 환경을 사용하려고 합니다.
Decision Optimization 데이터를 준비하고, 모델을 가져오고, 문제점을 해결하고, 시나리오를 비교하고, 데이터를 시각화하고, 솔루션을 찾고, 보고서를 생성하고, 기계 학습 모델을 배치합니다. 수백만 개의 가능성을 평가하여 처방 분석 문제점에 대한 최상의 솔루션을 찾아야 합니다.
연합 학습 분산 데이터를 사용하는 공통 기계 학습 모델을 훈련합니다. 여러 위치에 분산된 데이터를 이동, 결합 또는 공유하지 않고 기계 학습 모델을 훈련해야 합니다.

예: Golden Bank의 기계 학습 모델 빌드 및 훈련

Golden Bank의 데이터 과학자는 AutoAI 를 사용하여 히스토리 데이터를 사용하여 숨겨진 패턴을 강조표시하는 시계열 분석 이상 항목 발견 모델을 빌드합니다. 목표는 특정 회사에 대해 재고 이상 항목이 발생한 날짜를 예측할 수 있는 모델을 작성하는 것입니다.


3. 모델 배치

운영 팀 구성원이 AI 모델을 배치할 때 머신 러닝 모델은 애플리케이션이 스코어링 및 예측에 사용할 수 있게 되어 조치를 추진하는 데 도움이 됩니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
공간 사용자 인터페이스 공간 UI를 사용하여 프로젝트에서 공간으로 모델 및 기타 자산을 배치하십시오. 협업 작업 영역에서 모델을 전개하고 전개 정보를 보려고 합니다.

예: Golden Bank의 모델 배치

골든 은행의 운영 팀 구성원은 "재고 이상 항목 모델" 을 프로젝트에서 배치 공간으로 승격한 후 온라인 모델 배치를 작성합니다. 다음으로, 이상 항목의 출력 날짜에 재고 데이터를 입력하여 배치된 모델을 테스트합니다.


4. 기초 모델 프롬프트

팀은 Jupyter 노트북에서 코드를 작성하거나 프롬프트 랩을 사용하여 기본 모델로 프롬프트를 개발할 수 있습니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
프롬프트 랩 프롬프트 랩을 사용하여 다른 기본 모델을 프롬프트하는 실험을 수행하십시오. 프롬프트할 다른 기초 모델을 선택하십시오. 가장 효과적인 프롬프트를 저장하고 공유하십시오. 다른 프롬프트를 쉽게 탐색하고 테스트할 수 있는 사용자 인터페이스가 필요합니다.

프롬프트 템플리트 또는 프롬프트 세션을 프로젝트 자산으로 저장하거나 Jupyter 노트북으로 내보내서 추가 분석을 수행할 수 있습니다.
노트북 및 스크립트 Python 라이브러리를 사용하여 프로그래밍 방식으로 기초 모델을 프롬프트하려면 노트북 및 스크립트를 사용하십시오. 이 코드는 검색 기능이 보강된 생성 패턴을 적용하여 데이터를 변환하고, 기초 모델 매개변수를 조정하고, 기초 모델을 프롬프트하고, 사실적으로 정확한 출력을 생성할 수 있습니다. 프로젝트에서 사용 가능한 훈련 데이터 세트를 사용하거나 데이터베이스, 데이터 레이크 또는 오브젝트 스토리지와 같은 데이터 소스에 연결하십시오.

선호하는 오픈 소스 프레임워크 및 라이브러리를 사용하십시오.
Python 또는 R 코딩 기술을 사용하여 프롬프트 엔지니어링을 수행하고 평가하는 데 사용되는 코드를 완전히 제어할 수 있습니다.

예: Golden Bank의 프롬프트 엔지니어링

골든 은행의 데이터 과학자 및 신속한 엔지니어링 팀은 함께 작업하여 이상 항목 예측 모델에서 얻은 이상 항목 날짜와 일치하는 다양한 온라인 뉴스 소스에서 관련 문서를 수집합니다. 이들은 이러한 날짜를 Jupyter 노트북에 제공하여 온라인 뉴스 기사 소싱을 자동화하여 현재 세계 이벤트가 재고 이상 항목에 어떤 영향을 줄 수 있는지 판별합니다. Jupyter Notebook 은 LangChain 을 사용하여 프롬프트에 포함하기에 적합한 더 작은 텍스트 추출로 텍스트를 청크합니다. 이 태스크는 토큰이 컨텍스트 토큰 창 제한사항을 초과하지 않도록 합니다.

그런 다음 팀은 프롬프트 랩을 사용하여 요약을 위한 프롬프트 템플리트와 질문 응답을 위한 프롬프트 템플리트를 작성합니다. 요약 태스크의 목적은 뉴스 기사 텍스트를 요약하고 텍스트에서 자세한 정보를 얻기 위해 질문을 프롬프트하는 것입니다. 질문 응답 태스크의 경우, 입력 및 출력은 질문 및 응답에 따라 다르므로 뉴스 기사 텍스트를 지시사항에 제공합니다.

5. 기초 모델 조정

팀은 Jupyter 노트북에서 코드를 작성하거나 조정 스튜디오를 사용하여 기초 모델을 조정할 수 있습니다. 기본 모델을 조정하여 비용을 줄이거나 모델의 성능을 향상시킬 수 있습니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
튜닝 스튜디오 조정 스튜디오를 사용하여 기본 모델을 조정하여 비용을 줄이거나 성능을 향상시키십시오. 조정된 기초 모델을 작성하기 위한 쉬운 사용자 인터페이스가 필요합니다.
노트북 및 스크립트 Python 라이브러리를 사용하여 프로그래밍 방식으로 기초 모델을 조정하려면 노트북 및 스크립트를 사용하십시오. 이 코드는 프롬프트 튜닝 프로세스를 트리거하고 프롬프트 튜닝 모델을 배치하며 프롬프트 튜닝 모델을 추론할 수 있습니다. 프로젝트에서 사용 가능한 훈련 데이터 세트를 사용하거나 데이터베이스, 데이터 레이크 또는 오브젝트 스토리지와 같은 데이터 소스에 연결하십시오.

선호하는 오픈 소스 프레임워크 및 라이브러리를 사용하십시오.
Python 또는 R 코딩 기술을 사용하여 데이터 변환에 사용되는 코드를 완전히 제어한 후 모델을 튜닝하고 평가하려고 합니다.

예: Golden Bank의 프롬프트 튜닝

골든 은행의 신속한 엔지니어링 팀은 추가적인 새로운 기사를 사용하여 기초 모델을 조정합니다. 이 팀은 추론을 위해 선택한 원래 기초 모델과 동일한 성능 레벨을 사용하여 보다 비용 효율적이고 작은 기초 모델을 생성합니다.


6. ML 라이프사이클 자동화

팀은 Watson Pipelines을 사용하여 MLOps및 AI 라이프사이클을 자동화하고 간소화할 수 있습니다.

사용할 수 있는 항목 수행할 수 있는 작업 다음 경우에 사용
Watson Pipelines 파이프라인을 사용하여 데이터 수집에서 모델 훈련, 테스트 및 배치에 이르기까지 노트북, Data Refinery및 기계 학습 파이프라인을 자동화하는 반복 가능하고 스케줄된 플로우를 작성하십시오. MLOps 플로우의 일부 또는 모든 단계를 자동화하려고 합니다.

예: Golden Bank의 자동화된 ML 라이프사이클

골든 은행의 데이터 과학자들은 파이프라인을 사용하여 완전한 ML 라이프사이클 및 프로세스를 자동화함으로써 기계 학습 모델 재훈련 프로세스를 단순화할 수 있습니다.


watsonx.ai 에 대한 튜토리얼

자습서 설명 학습서에 대한 전문 지식
Data Refinery로 데이터 정제 및 시각화 그래픽 플로우 편집기를 사용하여 표 데이터를 준비하고 시각화할 수 있습니다. 데이터를 조작할 조작을 선택하십시오.
합성 표 형식 데이터 생성 그래픽 플로우 편집기를 사용하여 합성 테이블 형식 데이터를 생성합니다. 데이터를 생성할 오퍼레이션을 선택하십시오.
Jupyter 노트북에서 데이터 분석 데이터를 로드하고 실행하며 노트북을 공유합니다. 생성된 Python 코드를 이해하십시오.
AutoAI를 이용한 머신 러닝 모델 빌드 및 배치 AutoAI 도구를 사용하여 모델 후보를 자동으로 빌드합니다. 코딩하지 않고 모델을 빌드, 배치 및 테스트합니다.
노트북에 머신 러닝 모델 빌드 및 배치 Python 코드 및 Watson Machine Learning API를 사용하는 노트북을 업데이트하고 실행하여 모델을 빌드하십시오. Python 코드를 사용하는 scikit-learn 모델을 빌드, 배치 및 테스트합니다.
SPSS Modeler를 사용하여 머신 러닝 모델을 빌드하고 배치 SPSS Modeler 도구를 사용하는 C5.0 모델을 작성하십시오. 캔버스에 데이터 및 오퍼레이션 노드를 놓고 특성을 선택하십시오.
Decision Optimization 모델 빌드 및 배치 모델링 지원을 사용하여 자동으로 시나리오를 빌드합니다. 시나리오를 해결하고 탐색한 후 코딩 없이 모델을 배치하고 테스트하십시오.
프롬프트 랩을 사용하여 기본 모델 프롬프트 다른 기초 모델을 프롬프트하는 실험을 수행하고, 샘플 프롬프트를 탐색하고, 최상의 프롬프트를 저장하고 공유하십시오. 코딩 없이 프롬프트 랩을 사용하여 모델을 프롬프트합니다.
검색 기능이 보강된 생성 패턴으로 기초 모델 프롬프트 지식 기반의 정보를 활용하여 기초 모델을 프롬프트합니다. Python 코드를 사용하는 Jupyter 노트북에서 검색 기능이 보강된 생성 패턴을 사용하십시오.
기초 모델 조정 기본 모델을 조정하여 모델 성능을 향상시키십시오. 코딩하지 않고 모델을 튜닝하려면 튜닝 스튜디오를 사용하십시오.
파이프라인을 사용하여 모델의 라이프사이클 자동화 기계 학습 모델 빌드 및 배치를 자동화하기 위해 파이프라인을 작성하고 실행합니다. 캔버스에 오퍼레이션 노드를 놓고 특성을 선택하십시오.
watsonx.ai 엔드-투-엔드 유스 케이스 사용해 보기 데이터 준비부터 프롬프트 엔지니어링까지 유스 케이스를 따르십시오. 노트북 및 프롬프트 랩과 같은 다양한 도구를 사용하십시오.

다음 단계

  • watsonx.governance 를 사용하여 AI 솔루션 통제 시작
  • watsonx.data 를 사용하여 어디서든 모든 데이터에 대해 AI 워크로드를 스케일링합니다.

자세히 알아보기

상위 주제: 유스 케이스

일반적인 AI 검색 및 응답
이러한 응답은 제품 문서의 컨텐츠를 기반으로 하는 watsonx.ai 의 대형 언어 모델에 의해 생성됩니다. 자세히 알아보기