Esegui la pipeline di esempio integrata
È possibile visualizzare ed eseguire una pipeline di esempio integrata che utilizza dati di esempio per imparare ad automatizzare i flussi di machine learning in Orchestration Pipelines.
Cosa succede nella pipeline di campionamento?
La pipeline di esempio ottiene i dati di addestramento, addestra un modello di machine learning utilizzando lo AutoAI strumento e seleziona la pipeline migliore da salvare come modello. Il modello viene quindi copiato in uno spazio di distribuzione dove viene implementato.
L'esempio illustra come è possibile automatizzare un flusso end-to-end per semplificare l'esecuzione e il monitoraggio del ciclo di vita.
La pipeline di esempio è la seguente:
Il tutorial ti guida passo passo attraverso questo processo:
Prerequisiti
Per eseguire questo esempio, è necessario prima creare:
- Un progetto in cui è possibile eseguire la pipeline di esempio.
Anteprima della creazione e dell'esecuzione della pipeline di esempio
Guarda questo video per scoprire come creare ed eseguire una pipeline di esempio.
Dichiarazione di non responsabilità relativa al video: alcuni passaggi minori ed elementi grafici presenti in questo video potrebbero differire dalla tua Cloud Pak for Data implementazione. Questo video mostra l'interfaccia IBMwatsonx utente.
Questo video offre un metodo visivo per apprendere i concetti e le attività descritti in questa documentazione.
Creazione della pipeline di esempio
Crea la pipeline di esempio nell'editor Pipelines.
Apri il progetto in cui desideri creare la pipeline.
Dalla scheda Risorse, fare clic su Nuova risorsa > Automatizza cicli di vita dei modelli.
Fare clic sulla scheda Esempio di hub delle risorse e selezionare l 'esperimento AutoAI Orchestrate an.
Inserisci un nome per la pipeline. Ad esempio, inserisci "Esempio di marketing bancario ".
Clicca su Crea per aprire la tela.
Esecuzione della pipeline di esempio
Per eseguire la pipeline di esempio:
Fai clic su Esegui pipeline nella barra degli strumenti dell'area di lavoro, quindi seleziona Esecuzione di prova.
Selezionare uno spazio di distribuzione quando viene richiesto di fornire un valore per il parametro pipeline deployment_space.
Clicca su Seleziona spazio.
Espandi la sezione Spazi.
Seleziona lo spazio di distribuzione.
Clicca su Scegli.
Fare clic su Esegui per avviare la pipeline.
Esame dei risultati
Al termine dell'esecuzione della pipeline, è possibile visualizzare l'output per vedere i risultati.
Apri lo spazio di distribuzione specificato come parte della pipeline. Vedi la nuova distribuzione nello spazio:
Se desideri testare l'implementazione, utilizza la pagina Test dello spazio di implementazione per inviare i dati di payload in formato JSON e ottenere un punteggio. Ad esempio, clicca sulla scheda JSON e inserisci questi dati di input:
{"input_data": [{"fields": ["age","job","marital","education","default","balance","housing","loan","contact","day","month","duration","campaign","pdays","previous","poutcome"],"values": [["30","unemployed","married","primary","no","1787","no","no","cellular","19","oct","79","1","-1","0","unknown"]]}]}
Quando si fa clic su "Predict", il modello genera un output con un punteggio di affidabilità per la previsione relativa alla sottoscrizione da parte di un cliente di una promozione su un deposito a termine.
In questo caso, la previsione "no" è accompagnata da un punteggio di affidabilità vicino al 95%, che indica che molto probabilmente il cliente non sottoscriverà un deposito a termine.
Esplorazione dei nodi di esempio e della configurazione
Acquisisci una comprensione più approfondita di come i nodi di esempio sono configurati per funzionare in modo coordinato nell'esempio di pipeline con i seguenti passaggi.
- Visualizzazione dei parametri della pipeline
- Caricamento dei dati di addestramento per AutoAI l'esperimento
- Creazione AutoAI dell'esperimento
- Eseguire AutoAI l'esperimento
- Distribuzione del modello su un servizio web
Visualizzazione dei parametri della pipeline
Un parametro della pipeline specifica un'impostazione per l'intera pipeline. Nella pipeline di esempio, un parametro della pipeline viene utilizzato per specificare uno spazio di distribuzione in cui il modello salvato AutoAI dall'esperimento viene archiviato e distribuito. Ti verrà richiesto di selezionare lo spazio di distribuzione a cui è collegato il parametro della pipeline.
Fare clic sull'icona Oggetti 
globali nella barra degli strumenti dell'area di lavoro per visualizzare o creare parametri della pipeline. Nella pipeline di esempio, il parametro della pipeline è denominato deployment_space ed è di tipo Space. Clicca sul nome del parametro della pipeline per visualizzarne i dettagli. Nel campione, il parametro pipeline viene utilizzato con il nodo Crea file dati e il nodo Crea AutoAI esperimento.
Caricamento dei dati di addestramento per AutoAI l'esperimento
In questo passaggio, viene configurato un nodo Crea file dati per accedere al set di dati dell'esperimento. Clicca sul nodo per visualizzare la configurazione. Il file di dati è bank-marketing-data.csv, che fornisce dati campione per prevedere se un cliente bancario sottoscriverà un deposito a termine. I dati risiedono in un Cloud Object Storage bucket e possono essere aggiornati per mantenere aggiornato l'addestramento del modello.
| Opzione | Valore |
|---|---|
| File | La posizione delle risorse di dati per l'addestramento dell'esperimento AutoAI. In questo caso, il file di dati si trova in un progetto. |
| Percorso file | Il nome dell'asset, bank-marketing-data.csv. |
| Ambito di destinazione | Per questo esempio, l'obiettivo è uno spazio di distribuzione. |
Creazione AutoAI dell'esperimento
Il nodo per creare AutoAI l'esperimento è configurato con questi valori:
| Opzione | Valore |
|---|---|
| AutoAI nome dell'esperimento | previsione-marketing-banca-onboarding |
| Ambito | Per questo esempio, l'obiettivo è uno spazio di distribuzione. |
| Tipo di previsione | binario |
| Colonna delle previsioni (etichetta) | y |
| Classe positiva | sì |
| Rapporto di suddivisione dei dati di addestramento | 0.9 |
| Algoritmi da includere | GradientBoostingClassifierEstimatorXGBClassifierEstimator |
| Algoritmi da utilizzare | 1 |
| Metrica da ottimizzare | ROC AUC |
| Ottimizza metrica (facoltativo) | valore predefinito |
| Specifiche hardware (opzionali) | valore predefinito |
| AutoAI descrizione dell'esperimento | Questo esperimento utilizza un file campione contenente dati testuali raccolti dalle telefonate effettuate a una banca portoghese in risposta a una campagna di marketing. L'obiettivo della classificazione è prevedere se un cliente sottoscriverà un deposito a termine, rappresentato dalla variabile y. |
| AutoAI tag sperimentali (facoltativi) | Nessuna |
| Modalità creazione (opzionale) | valore predefinito |
Queste opzioni definiscono un esperimento che utilizza i dati di marketing della banca per prevedere se un cliente è propenso a partecipare a una promozione.
Eseguire AutoAI l'esperimento
In questa fase, il nodo Run AutoAI experiment esegue AutoAI l'esperimento onboarding-bank-marketing-prediction, addestra le pipeline, quindi salva il modello migliore.
| Opzione | Valore |
|---|---|
| AutoAI esperimento | Prende l'output dal nodo AutoAI Crea come input per eseguire l'esperimento. |
| Risorse di dati di addestramento | Prende l'output dal nodo Crea file dati come input dei dati di addestramento per l'esperimento. |
| Numero di modelli | 1 |
| Numero di modelli (facoltativo) | 3 |
| Riserva di dati (facoltativa) | Nessuna |
| Nome della corsa (facoltativo) | Nessuna |
| Prefisso del nome del modello (facoltativo) | Nessuna |
| Descrizione della corsa (facoltativo) | Nessuna |
| Esegui tag (facoltativo) | Nessuna |
| Modalità creazione (opzionale) | valore predefinito |
| Politica sugli errori (facoltativa) | valore predefinito |
Distribuzione del modello su un servizio web
Il nodo Distribuzione Web crea una distribuzione online denominata onboarding-bank-marketing-prediction-deployment, che consente di fornire dati e ottenere previsioni in tempo reale dall'endpoint API REST.
| Opzione | Valore |
|---|---|
| risorsa ML | Prende il miglior risultato del modello dal nodo AutoAI Run come input per creare la distribuzione. |
| Nome distribuzione | onboarding-banca-marketing-previsione-implementazione |