Argomento tradotto automaticamente È possibile passare alla versione inglese

Fare riferimento alla versione inglese (originale) per visualizzare una versione più accurata e aggiornata di questa documentazione. IBM non è responsabile di eventuali danni o perdite derivanti dall'uso di contenuti tradotti automaticamente (machine translation).

Distribuzione e gestione degli asset AI

Ultimo aggiornamento: 28 nov 2024

Utilizzate IBM watsonx.ai Runtime per distribuire e gestire le risorse di intelligenza artificiale e metterle in ambienti di pre-produzione e produzione. Gestire e aggiornare gli asset distribuiti. È inoltre possibile automatizzare parte del ciclo di vita dell'IA utilizzando IBM Orchestration Pipelines.

Distribuzione degli asset AI e orchestrazione delle pipeline

Il deploy di una risorsa la rende disponibile per i test o per l'uso produttivo tramite un endpoint.

Il seguente grafico descrive il processo di distribuzione del tuo modello, il percorso di automazione della produzione e il controllo e la gestione del ciclo di vita AI dopo che hai creato il tuo modello:

Ciclo di vita AI

Distribuisci risorse

È possibile distribuire le risorse dal proprio spazio di distribuzione utilizzando watsonx.ai Runtime. Per distribuire le risorse, è necessario promuoverle da un progetto allo spazio di distribuzione o importarle direttamente nello spazio di distribuzione.

Per ulteriori informazioni, vedi Distribuzione di asset AI.

Automatizzare le pipeline

È possibile automatizzare il percorso verso la produzione creando una pipeline per automatizzare parti del ciclo di vita dell'IA, dalla creazione del modello alla distribuzione, utilizzando le pipeline di orchestrazione.

Per ulteriori informazioni, consultare Orchestrazione di attività con pipeline.

Gestione del ciclo di vita AI con ModelOps

È possibile organizzare e gestire gli asset attraverso la fase di sviluppo, test e produzione del ciclo di vita AI.

Per ulteriori informazioni, consultare Gestione del ciclo di vita AI con ModelOps.

Esercitazioni e casi di utilizzo

Le seguenti risorse dimostrano come pianificare la gestione degli asset di machine learning e come creare parti chiave delle tue soluzioni.

Esamina le esercitazioni introduttive per scoprire come creare e distribuire i modelli di machine learning:

Esercitazioni di avvio rapido
Supporto didattico	Descrizione
Creare e distribuire un modello di machine learning	Crea un modello di machine learning utilizzando un approccio senza codice con uno strumento automatizzato, AutoAI. Distribuire il modello sottoposto a training creando una distribuzione batch. Calcola il punteggio della tua distribuzione batch creando un lavoro batch.
Costruire e distribuire un modello di apprendimento automatico in Jupyter Notebook	Costruire un modello di apprendimento automatico utilizzando il codice in un notebook Jupyter per preparare i dati, costruire il modello e distribuirlo.
Crea e distribuisci un modello di machine learning con SPSS Modeler	Crea un modello di machine learning utilizzando un approccio senza codice utilizzando il flusso SPSS Modeler . Distribuisci il modello preparato creando una distribuzione online e verifica il modello in tempo reale.
Creare e distribuire un modello Decision Optimization	Creare un modello di machine learning utilizzando Decision Optimization.

Governance dell'AI

Le seguenti esercitazioni utilizzano lo scenario per Golden Bank, che necessita di un modello per identificare se i clienti si qualificano per i mutui per ridurre i costi di elaborazione delle applicazioni della banca.

Casi di utilizzo di governance AI
Caso d'uso	Descrizione
Creare e distribuire un modello	Addestrare un modello, richiederlo a uno spazio di distribuzione e distribuirlo.
Verifica e convalida del modello	Valutare un modello per qualità, correttezza, deviazione e spiegabilità.

Data Science e MLOps

Le seguenti esercitazioni utilizzano lo scenario per Golden Bank, che deve automatizzare una pipeline di dati che fornisce dati aggiornati su tutti i richiedenti di mutui, che i finanziatori possono utilizzare per prendere decisioni.

Casi di utilizzo di Data Science e MLOps
Caso d'uso	Descrizione
Orchestrazione di una pipeline AI con monitoraggio del modello	Crea una pipeline end-to-end che trasforma i dati e addestra un modello.
Orchestrazione di una pipeline AI con integrazione dati	Creare una pipeline end-to-end per preparare i dati, addestrare il modello e convalidare il modello.