IBM Orchestration Pipelines
Você pode orquestrar um fluxo de ativos de ponta a ponta, desde a criação até a implantação, em uma tela gráfica com o editor de pipelines. Você pode montar e configurar um pipeline para criar, treinar, implantar e atualizar modelos de aprendizado de máquina e scripts Python.
Para obter informações sobre as regiões compatíveis com o Orchestration Pipelines, consulte Limitações regionais.
Projete um pipeline arrastando nós para a tela, especificando objetos e parâmetros e, em seguida, executando e monitorando o pipeline.
Automatizando o caminho para a produção
Colocar um modelo em um produto é um processo de várias etapas. Os dados devem ser carregados e processados, os modelos devem ser treinados e avaliados antes de serem implantados e testados. Os experimentos de IA, a análise de dados e os modelos de aprendizado de máquina requerem mais observação, avaliação e atualização ao longo do tempo para evitar distorções ou desvios.
O gráfico a seguir mostra um exemplo de ciclo de vida de um modelo que você pode automatizar dentre os vários fluxos possíveis que podem ser criados.
Você pode automatizar o pipeline para:
- carregar e processar dados de forma segura a partir de uma ampla gama de fontes internas e conexões externas.
- obtenha os resultados desejados criando, executando, avaliando e implantando modelos ou executando scripts de forma coesa.
- simplificam a execução dos caminhos de seu fluxo, criando ramificações e coletando resultados com recursos visuais diretos.
Os pipelines podem executar experimentos, incluindo, mas não se limitando a:
- Empregos Jupyter Notebook
- Data Refinery empregos
- Experimentos do AutoAI
- SPSS Modeler trabalhos
Para reduzir o tempo desde a concepção até a produção, você pode montar o pipeline e atualizar e testar rapidamente as modificações. O Pipelines canvas fornece ferramentas para visualizar o pipeline, customizá-lo em tempo de execução com variáveis de parâmetros de pipeline e, em seguida, executá-lo como um trabalho de avaliação ou em um planejamento.
Use as ferramentas de edição de pipelines para obter uma colaboração mais coesa entre um cientista de dados e um engenheiro de ModelOps. Um cientista de dados pode criar e treinar um modelo. Um engenheiro ModelOps pode, então, automatizar o processo de treinamento, implementação e avaliação do modelo após ele ser publicado em um ambiente de produção.
Casos de uso e tutoriais
Você pode incluir o IBM Orchestration Pipelines em sua solução de estrutura de dados para gerenciar e automatizar seu ciclo de vida de dados e IA. Para obter mais informações sobre como o Data Fabric pode apoiar seus objetivos e operações de aprendizado de máquina de maneira prática, consulte Casos de uso.
- O caso de uso de ciência de dados e MLOps descreve como gerenciar dados, criar um pipeline de construção e implantação de modelos e avaliar a imparcialidade e o desempenho do modelo.
- Tutorial de ciência de dados e MLOps: Orquestrar um pipeline de AI com integração de dados
- Tutorial de ciência de dados e MLOps: Orquestrar um pipeline de AI com monitoramento de modelo
Saiba Mais
- Incluir um pipeline ao seu projeto e conhecer as ferramentas de tela.
- Execute o pipeline de amostra incorporado para tentar executar um fluxo de pipeline prático.
- Crie um pipeline para criar um fluxo de ponta a ponta de seu cenário personalizado.
- Executar e salvar pipelines para gerenciar seu pipeline como ativos.