Executar o pipeline de amostra integrado
Você pode visualizar e executar um pipeline de exemplo integrado que utiliza dados de exemplo para aprender a automatizar fluxos de aprendizado de máquina no Orchestration Pipelines.
O que está acontecendo no pipeline de amostra?
O pipeline de amostra obtém dados de treinamento, treina um modelo de aprendizado de máquina usando a ferramenta AutoAI e seleciona o melhor pipeline para salvar como modelo. O modelo é então copiado para um espaço de implementação no qual ele é implementado.
A amostra ilustra como é possível automatizar um fluxo de ponta a ponta para deixar o ciclo de vida mais fácil de executar e monitorar.
O pipeline de amostra fica assim:
O tutorial orienta passo a passo este processo:
Pré-requisitos
Para executar esta amostra, você deve primeiro criar:
- Um projeto, onde é possível executar o pipeline de amostra.
Visualize criando e executando o pipeline de amostra
Assista a este vídeo para ver como criar e executar um pipeline de amostra.
Este vídeo fornece um método visual para aprender os conceitos e tarefas nesta documentação.
Criando o pipeline de amostra
Crie o pipeline de amostra no editor Pipelines.
Abra o projeto no qual deseja criar o pipeline.
Na guia Assets (Ativos ), clique em New asset (Novo ativo) > Automate model lifecycles (Automatizar ciclos de vida de modelos ).
Clique na guia Amostra do hub de recursos e selecione Orquestrar um experimento do AutoAI.
Insira um nome para o pipeline Por exemplo, digite Amostra de marketing do banco.
Clique em Criar para abrir a tela
Executando o pipeline de amostra
Para executar o pipeline de amostra:
Clique em Executar pipeline na barra de ferramentas da tela, em seguida, escolha Execução de avaliação.
Selecione um espaço de implementação quando solicitado para fornecer um valor para o parâmetro de pipeline deployment_space .
Clique em Selecionar Espaço.
Expanda a seção Espaços ..
Selecione o seu espaço de implementação
Clique em Escolher
Forneça uma chave API se for sua primeira vez para executar um pipeline. Os ativos de pipeline usam sua chave de API pessoal do IBM Cloud para executar operações com segurança sem interrupção.
Se você tiver uma chave de API existente, clique em Usar chave de API existente, cole a chave de API e clique em Salvar.
Se você não tiver uma chave de API existente, clique em Gerar nova chave de API, forneça um nome e clique em Salvar.. Copie a chave API e, em seguida, salve a chave API para uso futuro. Quando terminar, clique em Fechar.
Clique em Executar para iniciar o pipeline.
Revisando os resultados
Quando a execução do pipeline for concluída, é possível visualizar a saída para ver os resultados.
Abra o espaço de implementação especificado como parte do pipeline. Você vê a nova implementação no espaço:
Se você deseja testar a implementação, use a página de espaço de implementação Teste para enviar dados de carga útil no formato JSON e obter uma pontuação de volta. Por exemplo, clique na guia JSON e insira este dado de entrada:
{"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"]]}]}
Ao clicar em Prever, o modelo gera a saída com uma pontuação de confiança para a predição de se um cliente assina uma promoção de depósito a termo.
Neste caso, a previsão de "não" é acompanhada por uma pontuação de confiança de perto de 95%, prevendo que o cliente provavelmente não assinará um depósito a prazo.
Explorando os nós de amostra e configuração
Obtenha um entendimento mais profundo de como os nós de amostra são configurados para funcionar em conjunto na amostra de pipeline com as etapas a seguir:
- Visualizando o parâmetro de pipeline
- Carregando os dados de treinamento para o experimento AutoAI
- Criando o experimento AutoAI
- Executando o experimento do AutoAI
- Implementando o modelo em um serviço da web
Visualizando o parâmetro de pipeline
Um parâmetro de pipeline especifica uma configuração para o pipeline inteiro. No pipeline de amostra, um parâmetro de pipeline é usado para especificar um espaço de implementação no qual o modelo que é salvo do experimento AutoAI é armazenado e implementado. É solicitado que você selecione o espaço de implementação ao qual o parâmetro de pipeline está vinculado.
Clique no ícone Objetos 
globais na barra de ferramentas da tela para visualizar ou criar parâmetros do pipeline. No pipeline de amostra, o parâmetro pipeline é denominado deployment_space e é do tipo Space. Clique no nome do parâmetro de pipeline para visualizar os detalhes. Na amostra, o parâmetro pipeline é usado com o nó Criar arquivo de dados e o nó Criar experimento AutoAI.
Carregando os dados de treinamento para o experimento AutoAI
Nesta etapa, um nó Criar arquivo de dados é configurado para acessar o conjunto de dados para o experimento. Clique no nó para visualizar a configuração. O arquivo de dados é bank-marketing-data.csv, que fornece dados de amostra para prever se um cliente do banco se assina para um depósito a termo Os dados estão em um depósito do Cloud Object Storage e podem ser atualizados para manter o treinamento do modelo atualizado.
| Opção | Valor |
|---|---|
| Arquivo | O local do ativo de dados para treinar o experimento do AutoAI Nesse caso, o arquivo de dados está em um projeto. |
| Caminho de arquivo | O nome do ativo, bank-marketing-data.csv. |
| Escopo de destino | Para esta amostra, o alvo é um espaço de implantação. |
Criando o experimento do AutoAI
O nó a Criar experimento AutoAI é configurado com esses valores:
| Opção | Valor |
|---|---|
| Nome do experimento de AutoAI | onboarding-bank-marketing-prediction |
| Escopo | Para esta amostra, o alvo é um espaço de implantação. |
| Tipo de predição | binário |
| Coluna de predição (rótulo) | y |
| Classe positiva | sim |
| Proporção de divisão de dados de treinamento | 0.9 |
| Algoritmos a serem incluídos | GradientBoostingClassifierEstimator XGBClassifierEstimator |
| Algoritmos para usar | 1 |
| Métrica a ser otimizada | ROC AUC |
| Otimizar métrica (opcional) | padrão |
| Especificação de hardware (opcional) | padrão |
| Descrição do experimento de AutoAI | Este experimento usa um arquivo de amostra, que contém dados de texto que são coletados de chamadas telefônicas para um banco português em resposta a uma campanha de marketing. O objetivo de classificação é prever se um cliente assina um depósito a termo, representado por y variável. |
| Tags de experimento AutoAI (opcional) | Nenhum |
| Modo de criação (opcional) | padrão |
Essas opções definem um experimento que usa os dados de marketing do banco para prever se é provável que um cliente se inscreverá em uma promoção.
Executando o experimento do AutoAI
Nessa etapa, o nó Executar experimento AutoAI executa o experimento AutoAI onboarding-bank-marketing-prediction, treina os pipelines, depois salva o melhor modelo.
| Opção | Valor |
|---|---|
| Experimento do AutoAI | Obtém a saída do nó Criar AutoAI como a entrada para executar o experimento.. |
| Ativos de dados de treinamento | Tira a saída do nó Criar Arquivo de Dados como a entrada de dados de treinamento para o experimento. |
| Contagem de modelos | 1 |
| Contagem de modelos (opcional) | 3 |
| Ativo de dados de validação (opcional) | Nenhum |
| Nome da execução (opcional). | Nenhum |
| Prefixo do nome do modelo (opcional). | Nenhum |
| Executar descrição (opcional) | Nenhum |
| Executar tags (opcional) | Nenhum |
| Modo de criação (opcional) | padrão |
| Política de erro (opcional) | padrão |
Implementando o modelo em um serviço da web
O nó Criar implementação da web cria uma implementação on-line que é denominada onboarding-bank-marketing-prediction-deployment para que seja possível entregar dados e obter previsões de volta em tempo real a partir do terminal da API REST.
| Opção | Valor |
|---|---|
| Ativo de aprendizado de máquina | Obtém a melhor saída de modelo do nó Executar AutoAI como a entrada para criar a implementação |
| Nome da implementação | onboarding-bank-marketing-prediction-deployment |