IBM 被评为领导者
Gartner 公布了 2021 年数据科学和机器学习平台魔力象限。
将 AI 模型引入生产环境
在任何云中扩展 AI
IBM Watson® Studio 为数据科学家、开发人员和分析人员赋能，支持他们构建、运行和管理 AI 模型，并在 IBM Cloud Pak® for Data 上随时随地优化决策。通过开放式多云架构联合多个团队，实现 AI 生命周期自动化，并更快实现价值。整合 PyTorch、TensorFlow 和 scikit-learn 等开源框架，以及 IBM 及其用于基于代码的数据科学和视觉数据科学的生态系统工具。 使用 Jupyter Notebook、JupyterLab 和 CLI，或者使用 Python、R 和 Scala 等语言。
利用 IBM Watson Studio 构建 AI 模型 (01:13)
使用方法
实施可解释的 AI
优化决策
直观地开发模型
直观地开发模型
通过易于使用的 IBM® SPSS® 启发式工作流程，您可以在统一的数据和 AI 平台上，将视觉数据科学与开源库和基于 Notebook 的界面结合起来。
构建 ModelOps
使用 AutoAI 实现 AI 开发提速
使用 AutoAI 实现 AI 开发提速
通过 AutoAI，初学者可以快速入门，而专业的数据科学家则可以在 AI 开发中加快实验速度。 AutoAI 可自动执行数据准备、模型开发、特征工程和超参数优化。
灵活的选项
就地构建数据模型
优点
优化 AI 和云经济效益
预测结果并规定操作
同步应用和 AI
统一工具并提高 ModelOps 的生产力
提供公平、可解释的 AI
管理风险和合规性
特性
IBM Watson Studio - 详细信息
通过 AutoAI 加快实验速度
自动构建模型管道。 准备数据并选择模型类型。 生成模型管道并进行排序。
高级数据精炼
使用图形流编辑器清理和塑造数据。 将交互式模板应用于代码操作、函数和逻辑运算符。
开源 Notebook 支持
创建 Notebook 文件，使用样本 Notebook 或自带 Notebook。 编写代码并运行 Notebook。
集成可视工具
在 Watson Studio 中使用 IBM SPSS Modeler 快速准备数据并直观开发模型。
模型训练和开发
通过优化管道和确定数据的正确组合，快速构建实验并加强训练。
广泛的开源框架
将您选定的模型引入生产。 借助生产反馈来跟踪和重新培训模型。
嵌入式决策优化
将预测性模型和规范性模型结合起来。 使用预测来优化决策。 在 Python、OPL 中或使用自然语言创建和编辑模型。
模型管理和监控
监控质量、公平性和漂移指标。 选择和配置部署以获得模型见解。 定制模型监控和指标。
模型风险管理
比较和评估模型。 使用新数据评估和选择模型。 并排检查关键模型指标。
产品图像
AI 生命周期自动化
AI 生命周期自动化
通过使用 AutoAI 构建模型来探索关系。
云、本地数据源
云、本地数据源
几乎可访问并选择不同云中的任何数据源。
拖放式 AI 模型
拖放式 AI 模型
通过基于 GUI 的直观流程形象地构建模型。
为 AI 模型解释事务
为 AI 模型解释事务
确定哪些新的特征值会导致不同的结果。
最新消息
入门
利用 AI 和机器学习模型预测并优化成果。
脚注
¹,² 新技术： IBM Cloud Pak for Data 中可解释 AI 和模型监控的预计总体经济影响™，Forrester，2020 年 8 月。
