Tema traducido automáticamente Puede cambiar a la versión en inglés

Consulte la versión en inglés (original) para obtener la versión más precisa y actualizada de esta documentación. IBM no se responsabiliza de los daños o pérdidas resultantes del uso de contenido traducido automáticamente (máquina).

Despliegue y gestión de activos de IA

Última actualización: 28 nov 2024

Utilice IBM watsonx.ai Runtime para desplegar y gestionar activos de IA, y póngalos en entornos de preproducción y producción. Gestionar y actualizar los activos desplegados. También puede automatizar parte del ciclo de vida de la IA utilizando IBM Orchestration Pipelines.

Despliegue de activos de IA y orquestación de conductos

El despliegue de un activo hace que esté disponible para pruebas o para uso productivo a través de un punto final.

El gráfico siguiente describe el proceso de desplegar el modelo, automatizar la vía de acceso a producción y supervisar y gestionar el ciclo de vida de IA después de crear el modelo:

Ciclo de vida de IA

Desplegar activos

Puede desplegar activos desde su espacio de despliegue utilizando watsonx.ai Runtime. Para desplegar sus activos, debe promoverlos desde un proyecto a su espacio de despliegue o importarlos directamente a su espacio de despliegue.

Para obtener más información, consulte Despliegue de activos de IA.

Automatizar canalizaciones

Puede automatizar el camino hacia la producción creando una canalización para automatizar partes del ciclo de vida de la IA, desde la creación del modelo hasta la implantación, utilizando canalizaciones de orquestación.

Para obtener más información, consulte Orquestación de tareas con interconexiones.

Gestión del ciclo de vida de AI con ModelOps

Puede organizar y gestionar activos a través de la fase de desarrollo, pruebas y producción del ciclo de vida de IA.

Para obtener más información, consulte Gestión del ciclo de vida de IA con ModelOps.

Guías de aprendizaje y casos de uso

Los recursos siguientes muestran cómo planificar la gestión de activos de aprendizaje automático y cómo crear piezas clave de sus soluciones.

Revise las guías de aprendizaje de inicio rápido para aprender a crear y desplegar modelos de aprendizaje automático:

Guías de aprendizaje de inicio rápido
Guía de aprendizaje	Descripción
Crear y desplegar un modelo de aprendizaje automático	Cree un modelo de aprendizaje automático utilizando un enfoque sin código con una herramienta automatizada, AutoAI. Despliegue el modelo entrenado creando un despliegue por lotes. Puntúe el despliegue por lotes creando un trabajo por lotes.
Construir y desplegar un modelo de aprendizaje automático en Jupyter Notebook	Construya un modelo de aprendizaje automático utilizando código en un cuaderno Jupyter para preparar datos, construir su modelo y desplegarlo.
Crear y desplegar un modelo de aprendizaje automático con SPSS Modeler	Cree un modelo de aprendizaje automático utilizando un enfoque sin código utilizando un flujo de SPSS Modeler . Despliegue el modelo entrenado creando un despliegue en línea y pruebe el modelo en tiempo real.
Crear y desplegar un modelo de Decision Optimization	Cree un modelo de aprendizaje automático utilizando Decision Optimization.

Gobierno de IA

Las guías de aprendizaje siguientes utilizan el escenario para Golden Bank, que necesita un modelo para identificar si los clientes cumplen los requisitos para las hipotecas para reducir los costes de procesamiento de solicitudes del banco.

Casos de uso de gobierno de IA
Caso de uso	Descripción
Crear y desplegar un modelo	Entrenar un modelo, solicitarlo a un espacio de despliegue y desplegar el modelo.
Probar y validar el modelo	Evalúe la calidad, la equidad, la desviación y la explicabilidad de un modelo.

Ciencia de datos y MLOps

Las siguientes guías de aprendizaje utilizan el escenario de Golden Bank, que necesita automatizar un conducto de datos que entrega datos actualizados sobre todos los solicitantes de hipotecas, que los prestamistas pueden utilizar para tomar decisiones.

Casos de uso de Data Science y MLOps
Caso de uso	Descripción
Orquestación de un conducto de IA con supervisión de modelos	Cree una interconexión de extremo a extremo que transforme los datos y entrene un modelo.
Orquestación de un conducto de IA con integración de datos	Cree una interconexión de extremo a extremo para preparar los datos, entrenar el modelo y validar el modelo.