Introduzione a Machine Learning
Machine Learning estrae caratteristiche chiave, modelli e anomalie dai dati storici per creare modelli predittivi. Questi modelli contengono quindi informazioni ricavate dai tuoi dati che puoi trasformare in azioni e decisioni aziendali. I dati storici della tua azienda contengono informazioni che possono migliorare le tue decisioni aziendali.
Integrando Machine Learning i modelli nei servizi Operational Decision Manager decisionali, è possibile applicare intuizioni predittive dai dati storici e decisioni aziendali prescrittive basate sulle politiche aziendali.
Machine Learning I modelli sono costruiti con IBMWatson®Machine Learning, che fa parte di IBM® watsonx.ai™. Watson Machine Learning fornisce una gamma completa di strumenti per costruire, addestrare e implementare Machine Learning modelli. È possibile scegliere lo strumento con il livello di automazione o autonomia più adatto alle proprie esigenze.
Watson Machine Learning fornisce i seguenti strumenti:
- AutoAI generatore di esperimenti per l'elaborazione automatica di dati strutturati al fine di generare pipeline di modelli candidati. Le pipeline con le migliori prestazioni possono essere salvate come modello di apprendimento automatico e implementate per il punteggio.
- Gli spazi di distribuzione ti offrono gli strumenti per visualizzare e gestire le distribuzioni dei modelli.
- Strumenti per visualizzare e gestire le distribuzioni dei modelli.
Per ulteriori informazioni, consultare Watson Machine Learning su IBM watsonx™ 
.
Configurazione e utilizzo
Le sezioni seguenti trattano la configurazione e l'utilizzo di Machine Learning.
| Attività | Descrizione | Informazioni |
|---|---|---|
| In applicazione | Questo esempio illustra il processo di aggiunta di un Machine Learning modello a un servizio decisionale. Utilizzi il servizio di decisione campione Miniloan e il Modello di previsione Machine Learning dell'approvazione del mutuo. | Applicazione di un Machine Learning modello |
| Configurazione | Si crea un ml.properties file con la configurazione del servizio Machine Learning richiesta e lo si imposta come risorsa XOM. Questo approccio offre il vantaggio di definire l'endpoint per ciascun RuleApp, migliorando la personalizzazione e la flessibilità nella gestione Machine Learning delle configurazioni. È possibile farlo utilizzando Rule Designer, la console Rule Execution Server o l'API REST. | Aggiunta di un file Machine Learning di configurazione come risorsa XOM |
| Aggiornamento | È possibile aggiornare gli ID di distribuzione o fornire un file JSON o YAML aggiornato per modificare i campi di input e output. | Aggiornamento Machine Learning dei riferimenti |
| Eliminazione | È possibile eliminare Machine Learning i miglioramenti che non si desidera più utilizzare. | Eliminazione Machine Learning dei riferimenti |
| Codici di ritorno | Quando si effettua una Machine Learning chiamata da Operational Decision Manager, vengono restituiti i valori di output e un codice di ritorno intero. | Machine Learning codici di ritorno |
| Esportazione del modello | È possibile utilizzare uno script come alternativa per eseguire il processo di esportazione di un modello da Machine Learning. | Script per esportare i codici di Machine Learning ritorno dei modelli |