예: Golden Bank의 데이터 준비

프로젝트에서 데이터 과학자는 데이터가 올바른 형식으로 되어 있는지 확인하여 데이터를 정제하여 기계 학습 모델 훈련을 준비합니다. 머신러닝 엔지니어는 모델 파이프라인을 구축하는 AutoAI 실험에서 구조화되고 순차적인 학습 데이터를 사용합니다.

예: Golden Bank의 기계 학습 모델 빌드 및 훈련

Golden Bank의 데이터 과학자들은 AutoAI 사용하여 프로모션에 따라 고객이 은행 상품을 구매할지 예측하는 머신러닝 모델을 구축합니다.

예: Golden Bank의 모델 배치

Golden Bank의 운영 팀원들은 프로젝트에서 배포 공간으로 예측 모델을 승격시킨 다음 온라인 모델 배포를 생성합니다. 그런 다음, 테스트 데이터를 입력하여 배포된 모델을 테스트하여 고객이 프로모션에 따라 은행 상품을 구매할지 예측합니다.

예: Golden Bank의 프롬프트 엔지니어링

골든뱅크의 데이터 과학자와 신속한 엔지니어링 팀이 협력하여 다양한 온라인 소스에서 경쟁사의 프로모션을 소개하는 관련 문서를 수집합니다. 이들은 온라인 뉴스 기사 소싱을 자동화하기 위해 프로모션 데이터를 Jupyter 노트북에 입력합니다. 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 생성을 위한 프롬프트 템플릿과 질문 답변을 위한 프롬프트 템플릿을 만듭니다. 생성 작업의 목표는 은행 프로모션을 강조하는 이메일 콘텐츠를 생성하는 것입니다. 질문-답변 작업의 경우 질문과 답변에 따라 입력과 출력이 달라지므로 프로모션 텍스트를 지침에 입력합니다.

예: Golden Bank의 프롬프트 튜닝

골든뱅크의 신속한 엔지니어링 팀은 추가 프로모션이 포함된 기사를 사용하여 foundation model 신속하게 조정합니다. 팀은 추론을 위해 선택한 원래의 foundation model 동일한 성능 수준으로 더 비용 효율적이고 더 작은 foundation model 생성합니다.

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.