部署和管理 AI 资产 | IBM Cloud Pak for Data as a Service

Go back to the English version of the documentation

部署和管理 AI 资产

Last updated: 2024年11月28日

部署和管理 AI 资产

使用IBM watsonx.aiRuntime 部署和管理人工智能资产，并将其投入预生产和生产环境。管理和更新已部署的资产。您还可以使用 IBM Orchestration Pipelines 自动执行部分人工智能生命周期。

部署 AI 资产和编排管道

部署资产可通过端点进行测试或用于生产。

下图描述了在构建模型后部署模型，自动化生产路径以及监视和管理 AI 生命周期的过程:

AI 生命周期

部署资产

您可以使用watsonx.aiRuntime 从部署空间部署资产。要部署资产，必须将这些资产从项目推广到部署空间，或直接导入到部署空间。

有关更多信息，请参阅部署 AI 资产。

自动化管道

您可以使用协调管道（Orchestration Pipelines），通过构建管道来自动化人工智能生命周期中从构建模型到部署的各个环节，从而实现生产路径的自动化。

有关更多信息，请参阅使用管道编排任务。

您可以在 AI 生命周期的开发，测试和生产阶段组织和管理资产。

有关更多信息，请参阅使用 ModelOps。

以下资源演示了如何规划管理机器学习资产以及如何构建解决方案的关键部分。

查看快速入门教程，了解如何构建和部署机器学习模型:

快速入门教程
教程	描述
构建并部署机器学习模型	通过将无代码方法与自动化工具 AutoAI配合使用来构建机器学习模型。通过创建批处理部署来部署已训练的模型。通过创建批处理作业对批处理部署进行评分。
在 Jupyter Notebook	使用 Jupyter 笔记本中的代码准备数据、构建模型并部署模型，从而建立机器学习模型。
使用 SPSS Modeler构建和部署机器学习模型	通过使用 SPSS Modeler 流程，使用无代码方法构建机器学习模型。通过创建联机部署来部署已训练的模型，并实时测试该模型。
构建和部署 Decision Optimization 模型	使用 Decision Optimization构建机器学习模型。

AI 治理

以下教程使用了 Golden Bank 的方案，该方案需要一个模型来识别客户是否有资格获得抵押贷款，以降低银行的应用程序处理成本。

AI 治理用例
用例	描述
构建和部署模型	训练模型，将其提示到部署空间，然后部署模型。
测试和验证模型	评估模型的质量，公平性，漂移和可解释性。

数据科学和 MLOps

以下教程使用了 Golden Bank 的方案，该方案需要自动执行一个数据管道，该管道提供所有抵押贷款申请人的最新数据，贷款人可以使用这些数据来制定决策。

Data Science 和 MLOps 用例
用例	描述
使用模型监视编排 AI 管道	创建用于变换数据和训练模型的端到端管道。
通过数据集成编排 AI 管道	创建端到端管道以准备数据，训练模型并验证模型。

父主题: 分析数据并使用模型