Nutzen Sie IBM watsonx.ai Runtime, um KI-Assets bereitzustellen und zu verwalten und sie in Vorproduktions- und Produktionsumgebungen einzusetzen. Verwalten und Aktualisieren der bereitgestellten Ressourcen. Sie können auch einen Teil des KI-Lebenszyklus mit IBM Orchestration Pipelines automatisieren.
KI-Assets bereitstellen und Pipelines koordinieren
Copy link to section
Durch die Bereitstellung eines Assets wird es über einen Endpunkt zum Testen oder für die produktive Nutzung verfügbar.
Die folgende Abbildung beschreibt den Prozess der Bereitstellung Ihres Modells, der Automatisierung des Pfads zur Produktion und der Überwachung und Verwaltung des KI-Lebenszyklus, nachdem Sie Ihr Modell erstellt haben:
Assets bereitstellen
Sie können Assets aus Ihrem Bereitstellungsbereich mit watsonx.ai Runtime bereitstellen. Um Ihre Assets bereitzustellen, müssen Sie diese Assets aus einem Projekt in Ihren Bereitstellungsbereich verschieben oder diese Assets direkt in Ihre Bereitstellung importieren. ' space.You kann auch ' watsonx.ai verwenden, um abgestimmte Basismodelle und Prompt-Vorlagen bereitzustellen.
Sie können den Weg zur Produktion automatisieren, indem Sie eine Pipeline erstellen, um Teile des KI-Lebenszyklus von der Erstellung des Modells bis zur Bereitstellung zu automatisieren, indem Sie Orchestration Pipelines verwenden.
Die folgenden Ressourcen veranschaulichen die Planung für die Verwaltung von Assets für maschinelles Lernen und die Erstellung von Schlüsselkomponenten Ihrer Lösungen.
Zugehörige Lernprogramme für den Schnelleinstieg
Copy link to section
In den Lernprogrammen für den Schnelleinstieg erfahren Sie, wie Sie Modelle für maschinelles Lernen erstellen und implementieren:
Erstellen Sie ein Modell für maschinelles Lernen mithilfe eines No-Code-Ansatzes mit einem automatisierten Tool namens AutoAI. Implementieren Sie das trainierte Modell, indem Sie eine Batchbereitstellung erstellen. Bewerten Sie Ihre Batchbereitstellung, indem Sie einen Batch-Job erstellen.
Erstellen Sie ein Modell für maschinelles Lernen, indem Sie Code in einem Jupyter-Notebook verwenden, um Daten vorzubereiten, Ihr Modell zu erstellen und Ihr Modell bereitzustellen.
Erstellen Sie ein Modell für maschinelles Lernen unter Verwendung eines No-Code-Ansatzes unter Verwendung eines SPSS Modeler -Ablaufs. Stellen Sie das trainierte Modell bereit, indem Sie eine Onlinebereitstellung erstellen und das Modell in Echtzeit testen.
Erstellen und führen Sie eine Pipeline aus, um die Erstellung und Bereitstellung eines Modells für maschinelles Lernen zu automatisieren.
Verwandte Anwendungsfälle
Copy link to section
In der folgenden Anleitung wird das Szenario für Golden Bank verwendet, das ein Modell zur Analyse von Aktienanomalien benötigt, um die Produktivität zu steigern und die Genauigkeit der Arbeit eines Aktienanalysten im Investmentbanking zu erhöhen.
Erstellen Sie Ihr Modell mit einem der Tools, z. B. AutoAI, SPSS Modeler oder Jupyter-Notebooks, und stellen Sie Ihr Modell anschließend bereit und testen Sie es. Verwandeln Sie außerdem Ihre Daten und optimieren Sie Ihre foundation model, indem Sie watsonx.ai verwenden.