Iniciação rápida: tente o caso de uso de ponta a ponta watsonx.ai

Este tutorial foca em um caso de uso de amostra no setor financeiro. O Golden Bank precisa implementar um processo de análise de promoções de marketing para aumentar as vendas de seus produtos de investimento.

Serviços necessários
watsonx.ai
Watson Machine Learning
Watson Studio
Modelo necessário
Um modelo de incorporação

Cenário: Processo de promoções de marketing do banco

Para atingir esse objetivo, o processo típico pode ser o seguinte:

  1. O engenheiro de dados visualiza e prepara os dados de marketing do banco para verificar o formato correto para treinar o modelo.
  2. O engenheiro de ML buildS um modelo de aprendizado de máquina para prever a eficácia de suas promoções.
  3. O engenheiro de ML implementa e testa o modelo.
  4. O cientista de dados escreve o código Python para encontrar promoções semelhantes para os concorrentes do banco.
  5. O engenheiro de prontidão:
    • Constrói modelos de prompt para realizar tarefas de resumo e de resposta a perguntas.
    • Compara o desempenho de vários prompts para determinar se é necessário retreinamento.
    • Ajusta o modelo de base com dados de retreinamento para proporcionar o melhor desempenho e a melhor relação custo-benefício.
    • Cria um pipeline para simplificar o processo de retreinamento.

Fluxo de trabalho da tarefa básica usando watsonx.ai

O Watsonx.ai pode ajudar a realizar cada fase desse processo Seu fluxo de trabalho básico inclui estas tarefas:

  1. Abrir um projeto. Os projetos são onde você pode colaborar com outras pessoas para trabalhar com dados
  2. Inclua seus dados no projeto.. Você pode adicionar arquivos d CSV ou dados de uma fonte de dados remota por meio de uma conexão.
  3. Prepare os dados de treinamento em Data Refinery.
  4. Treine um modelo com os dados de treinamento. Você pode usar várias ferramentas, como AutoAI, SPSS Modeler, ou notebooks Jupyter para treinar o modelo.
  5. Implante e teste seu modelo em um projeto ou espaço de implantação.
  6. Reúna e analise os dados relacionados ao modelo em um notebook Jupyter.
  7. Solicite um modelo de fundação em Prompt Lab.
  8. Compare o desempenho do prompt no Evaluation Studio.
  9. Ajuste o modelo da fundação em Tuning Studio.
  10. Automatize o ciclo de vida de um modelo com Pipelines.

Leia sobre watsonx.ai

Para transformar seus processos de negócios com soluções orientadas por IA, sua empresa precisa integrar o aprendizado de máquina e a IA gerativa em sua estrutura operacional.. O Watsonx.ai fornece os processos e as tecnologias para permitir que sua empresa desenvolva e implemente modelos de aprendizado de máquina e soluções de IA gerativas

Saiba mais sobre watsonx.ai

Leia mais sobre watsonx.ai casos de uso

Assista a um vídeo sobre watsonx.ai

Assista ao vídeo Assista a este vídeo para visualizar as etapas deste tutorial. Pode haver pequenas diferenças na interface do usuário mostrada no vídeo. O vídeo é destinado a ser um companheiro para o tutorial escrito. O vídeo começa na tela watsonx inicial. O usuário seleciona o ícone de mais (+) na seção Projetos para criar um novo projeto e, em seguida, seleciona a guia Amostra para criar um projeto de amostra.

Este vídeo fornece um método visual para aprender os conceitos e tarefas nesta documentação.


Tente um tutorial para watsonx.ai

Neste tutorial, você concluirá estas tarefas:



Dicas para concluir este tutorial
Aqui estão algumas dicas para concluir com êxito este tutorial.

Configure as janelas do navegador

Para uma experiência ideal ao concluir este tutorial, abra sua conta em uma janela do navegador e mantenha esta página do tutorial aberta em outra janela do navegador para alternar facilmente entre as duas janelas. Considere organizar as duas janelas do navegador lado a lado para facilitar o acompanhamento.

Tutorial e IU lado a lado

Dica: Se você encontrar um tour guiado ao concluir este tutorial na interface com o usuário, clique em Talvez mais tarde.

Tarefa 1: Criar o Projeto de Amostra

Este tutorial usa um projeto de amostra que contém o conjunto de dados, o notebook e os modelos de prompt para realizar a análise. Siga estas etapas para criar um projeto baseado em uma amostra:

  1. Faça o download do getting-started-with-watsonxai.zip arquivo.

  2. No Menu de Menu de navegaçãoNavegação, selecione Projetos > Todos os projetos.

  3. Na página Projetos , clique em Novo projeto

  4. Selecione Arquivo local.

  5. Faça o upload do arquivo compactado baixado anteriormente.

  6. Na página Criar um projeto , copie e cole o nome do projeto e inclua uma descrição opcional para o projeto

    Getting started with watsonx.ai

  7. Clique em Criar.

  8. Clique em Visualizar novo projeto para verificar se o projeto e os ativos foram criados com sucesso

  9. Clique na guia Ativos para visualizar os ativos do projeto

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra a guia Recursos do projeto. Agora você está pronto para visualizar os dados de treinamento.

texto alternativo

Tarefa 2: Visualizar e preparar os dados

Os dados representam campanhas de marketing direto (chamadas telefônicas) de uma instituição bancária portuguesa. O objetivo da classificação é prever se o cliente assinará (sim/não) um depósito a prazo (coluna current_outcome). Esse conjunto de dados é baseado em um conjunto de dados obtido do Repositório da UCI Machine Learning.

Tarefa 2a: Visualize os dados

Primeiro, você visualiza os dados para ver se há alguma anomalia óbvia. Siga estas etapas para visualizar os dados:

  1. Abra o bank-marketing-data.csv conjunto de dados. As colunas contêm informações sobre clientes potenciais.
  2. Clique no ícone Exibir Exibir informações sobre ativos informações do recurso para fechar o painel Sobre este recurso.
  3. Clique na guia Visualização .
    1. Selecione a coluna current_outcome como Colunas a serem visualizadas. Essa coluna indica se a pessoa contatada aceitou a oferta atual; essa coluna é a coluna de destino quando você cria o modelo.
    2. Clique em Add another column (Adicionar outra coluna ) e selecione a coluna previous_outcome (resultado anterior ). Essa coluna indica se a pessoa contatada aceitou a oferta anterior. Observe que os tipos de gráfico com um ponto azul são os gráficos sugeridos.
    3. Selecione o tipo de gráfico de árvore. Esse gráfico mostra uma comparação das pessoas que aceitaram uma oferta anterior e se essas mesmas pessoas aceitaram a oferta atual.
    4. Passe o mouse sobre o nó raiz para ver o número total de registros no conjunto de dados.
    5. Da mesma forma, passe o mouse sobre os nós " no " e " yes" para ver esses totais.
    6. Passe o mouse sobre o nó sem rótulo para ver o número total de registros no conjunto de dados em que o campo current_outcome é nulo.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra uma visualização do arquivo bank-marketing-data.csv. Agora você está pronto para preparar os dados de treinamento.

Visualização dos dados de treinamento

Tarefa 2b: Preparar os dados

Como current_outcome é a coluna de destino, você precisa preparar o conjunto de dados para remover as linhas com valores nulos. Siga estas etapas para preparar o conjunto de dados:

  1. Clique em Preparar dados para abrir o site Data Refinery.
  2. Feche o painel Sobre este ativo.
  3. Selecione a coluna current_outcome.
  4. Clique em New step > Remove empty rows (Nova etapa > Remover linhas vazias ).
  5. Dê um clique em Aplicar.
  6. Clique na guia Profile (Perfil ) para verificar a ação.
  7. Role até a coluna current_outcome para ver que todos os valores são "yes" ou "no".

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra a coluna current_outcome na guia Profile (Perfil). Agora você está pronto para construir o modelo usando esses dados de treinamento.

A coluna current_outcome na guia Profile (Perfil)

Tarefa 2c: Salvar os dados refinados

Para salvar os dados refinados, você especifica o nome do arquivo para o conjunto de dados de destino e, em seguida, cria e executa um trabalho. Siga estas etapas para salvar os dados refinados:

  1. Especifique o nome do arquivo:

    1. Clique no ícone ConfiguraçõesConfigurações.
    2. Clique na página Conjunto de dados de destino.
    3. Clique em Editar propriedades.
    4. Altere o nome do ativo de dados* para bank-marketing-data-prepared.csv.
    5. Clique em Salvar.
    6. Dê um clique em Aplicar.

  2. Crie e execute o trabalho:

    1. Na barra de ferramentas, clique no ícone Trabalhos e selecione Salvar e criar um trabalho.
      Salvar e criar um trabalho

    2. Digite o seguinte nome, e clique em Next.

      Bank marketing experiment

    3. Na página Configure (Configurar ), selecione um ambiente de tempo de execução e clique em Next (Avançar ).

    4. Na página Schedule (Programação ), aceite os valores padrão e clique em Next (Avançar ).

    5. Na página Notify (Notificar ), mantenha as notificações desativadas para esse trabalho e clique em Next (Avançar ).

    6. Revise os detalhes e clique em Create and run (Criar e executar ) para executar o trabalho imediatamente.

  3. Quando o trabalho for criado, clique no link de detalhes do trabalho na notificação para visualizar o trabalho em seu projeto. Como alternativa, você pode navegar até a guia Jobs no projeto e clicar no nome do trabalho para abri-lo.

  4. Quando o status do trabalho for Concluído, use a trilha de navegação do projeto para navegar de volta à guia Ativos no projeto.

  5. Clique na seção Data > Data assets para ver a saída do fluxo Data Refinery e abra a seção bank-marketing-data-prepared.csv para verificar os valores.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra o arquivo bank-marketing-data-prepared.csv. Agora você está pronto para construir o modelo usando esses dados de treinamento.

Visualização do arquivo bank-marketing-data-prepared.csv

Tarefa 3: Treinar o modelo

Você pode usar várias ferramentas, como AutoAI, SPSS Modeler, ou notebooks Jupyter para treinar o modelo. Neste tutorial, você treinará um modelo de classificação binária preditiva com o site AutoAI. Siga estas etapas para criar o experimento AutoAI :

  1. Volte à guia Assets (Ativos ) do projeto e clique em New asset (Novo ativo) > Build machine learning models automatically (Criar modelos de aprendizado de máquina automaticamente).

  2. Na página Criar modelos de aprendizado de máquina automaticamente, digite o nome:

    Bank marketing experiment

  3. Clique em Criar.

  4. Selecione Criar modelos de aprendizado de máquina como a tarefa para este experimento.

  5. Na página Incluir origem de dados , inclua os dados de treinamento:

    1. Clique em Select from project (Selecionar do projeto ).

    2. Selecione Data asset > bank-marketing-data-prepared.csv e clique em Select asset.

  6. Para Criar uma análise de série temporal? selecione Não.

  7. Selecione o resultado atual para a coluna Previsão.

  8. Clique em Executar experimento. À medida que o modelo avança, você vê um infográfico que mostra o processo de construção dos oleodutos.
    Construir pipelines de modelo

    Para obter uma lista de algoritmos, ou estimadores, disponíveis com cada técnica de aprendizado de máquina em AutoAI,, consulte: AutoAI detalhes de implementação.

  9. Após a conclusão da execução do experimento, visualize os pipelines classificados em uma tabela de classificação.

    Tabela de classificação de pipelines

  10. Clique na comparação do Pipeline para ver as diferenças.

    Gráfico de métricas de comparação de pipeline

  11. Na tabela de classificação de pipeline, clique no pipeline com a classificação mais alta para ver os detalhes do pipeline.

  12. Revise a página de avaliação do modelo para ver o desempenho do modelo no gráfico da curva ROC e na tabela de medidas de avaliação do modelo.

  13. Salve o modelo..

    1. Clique em Salvar como..

    2. Selecione Modelo..

    3. Para o nome do modelo, digite:

      Bank marketing prediction model

    4. Clique em Criar. Isso salva o pipeline como um modelo no projeto.

  14. Quando o modelo for salvo, clique no link Visualizar no projeto na notificação para visualizar o modelo em seu projeto Como alternativa, é possível navegar para a guia Ativos no projeto, e clicar no nome do modelo na seção Modelos

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra o modelo.

A imagem a seguir mostra o modelo

Tarefa 4: Implementar o modelo

A próxima tarefa é promover o modelo para um espaço de implantação e, em seguida, criar uma implantação on-line.

Tarefa 4a: Promover os dados de teste para um espaço de implantação

O projeto de amostra inclui dados de teste.. Você promove esses dados de teste para um espaço de implementação, portanto, é possível usar os dados de teste para testar o modelo implementado Siga estas etapas para promover os dados de teste para um espaço de implantação:

  1. Retorne para a guia Ativos do projeto

  2. Clique no menu Excesso Menu overflow para o ativo bank-marketing-test-data.csv de dados e selecione Promover para espaço.

  3. Escolha um espaço de implementação existente Se você não tiver um espaço de implementação:.

    1. Clique em Criar um novo espaço de implementação

    2. Para o nome, digite:

      Bank marketing promotion space

    3. Clique em Criar.

    4. Feche a notificação quando o espaço estiver pronto..

  4. Selecione seu novo espaço de implementação na lista.

  5. Clique em Promover.

  6. Clique em Close (Fechar ) para retornar à guia Assets (Ativos ) do projeto.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra a página Promover para espaço .

A imagem a seguir mostra a página Promover para o espaço.

Tarefa 4b: Promover o modelo para um espaço de implementação

Antes de poder implementar o modelo, é necessário promover o modelo para um espaço de implementação Siga estas etapas para promover o modelo para um espaço de implantação:

  1. Clique no menu Excesso Menu overflow para o recurso de dados do modelo de previsão de marketing do banco e selecione Promover para o espaço.

  2. Selecione o mesmo espaço de implementação na lista.

  3. Clique em Promover.

  4. Selecione a opção Acessar o modelo no espaço depois de promovê-lo .

  5. Clique em Promover.

Nota: se você não selecionou a opção para acessar o modelo no espaço após promovê-lo, poderá usar o menu de navegação para navegar para Implementações para selecionar seu espaço de implementação e modelo.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra o modelo no espaço de implementação.

A imagem a seguir mostra o modelo no espaço de implementação

Tarefa 4c: Criar e testar uma implementação de modelo

Agora que o modelo está no espaço de implementação, siga estas etapas para criar a implementação do modelo:

  1. Com o modelo aberto, clique em Nova implementação..

    1. Selecione On-line como o Tipo de implementação

    2. Para o nome da implementação, digite:

      Bank marketing model deployment

    3. Clique em Criar.

  2. Quando a implementação estiver concluída, clique no nome da implementação para visualizar a página de detalhes da implementação..

  3. Na guia Referência de API, revise o endpoint de pontuação, que pode ser usado para acessar esse modelo de forma programática em seus aplicativos.

  4. Teste o modelo..

    1. Clique na guia Teste . Você pode testar o modelo implantado na página de detalhes da implantação de duas maneiras: teste com um formulário ou teste com código JSON. Nesse caso, selecione o arquivo ` CSV ` que você transferiu do projeto de exemplo para o espaço de implantação.

    2. Para localizar os dados de teste, clique em Procurar no espaço

    3. Selecione Data asset > bank-marketing-test-data.csv.

    4. Clique em Confirmar..

    5. Clique em Predict (Prever ) e revise as previsões para os 60 registros nos dados de teste. O modelo retorna sim para cada cliente para o qual o modelo prevê que o cliente do banco assinará um depósito a prazo.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra os resultados de teste do modelo implementado.

A imagem a seguir mostra os resultados de teste do modelo implementado.

Tarefa 5: Reunir os programas de marketing dos concorrentes

Embora o Prompt Lab possa trabalhar com texto estruturado e não estruturado, é essencial garantir que você insira os dados corretos que o modelo possa processar. Você pode fazer isso em um notebook Jupyter com o código Python.

Como os modelos básicos têm um limite para o número de tokens que podem processar em um único prompt (conhecido como janela de contexto), talvez seja necessário dividir ou resumir os dados para que se ajustem a esse limite. Esta etapa assegura que os dados de entrada estejam em um formato que o modelo de base possa efetivamente processar sem perder informações essenciais.

Siga estas etapas para executar o bloco de notas:

  1. No Menu de Menu de navegaçãoNavegação, selecione Projetos > Todos os projetos.
  2. Abra o projeto Getting started with watsonx.ai.
  3. Clique na guia Ativos.
  4. Clique no menu Overflow Menu overflow do caderno Extrair e fragmentar texto de programas concorrentes e selecione Editar.
  5. Conclua a seção Configuração ..
    1. Clique no ícone Executar o Executar da primeira célula para importar as bibliotecas.
    2. Obtenha as chaves API necessárias:
      1. Siga o link para criar uma conta e uma chave de API em TheNewsAPI.
      2. Cole a chave de API na variável thenewsapi_key .
      3. Siga o link para criar uma conta e uma chave API em ArticlExtractor.
      4. Cole a chave de API na variável extract_key .
    3. Execute a célula para configurar as duas variáveis de chave de API.
  6. Execute as células na seção Definir a função para obter URLs de artigo de notícias .
    • A primeira célula desta seção define uma função para obter dados de TheNewsAPI's Top Stories e configurar parâmetros para garantir que você possa obter notícias relevantes.
    • A segunda célula desta seção define uma função para obter uma lista de URLs com base na resposta.
  7. Execute as células na seção Definir a função para extrair texto de notícias .
    • A primeira célula define uma função para extrair o texto da notícia de uma notícia específica URL usando a API ArticlExtractor.
    • A segunda célula define uma função para combinar o texto das notícias de todos os URLs de artigos obtidos de TheNewsAPI.
  8. Execute a célula na seção Definir a função para dividir o texto de notícias .
    • A primeira célula desta seção define uma função para usar LangChain para dividir o texto de caracteres levando em conta o contexto do texto da notícia. Para garantir que o modelo básico possa receber as informações do texto, você precisa garantir que o token não ultrapasse os limites da janela de token de contexto.
    • A segunda célula dessa seção mostra a resposta. Você pode ver que a saída final de dados está pronta para ser alimentada no site Prompt Lab. LangChain’s O divisor de texto divide o texto longo em partes semanticamente significativas, ou frases, e as combina novamente como um texto inteiro a ser processado. É possível ajustar o tamanho máximo das partes.

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra o bloco de notas concluído Agora você tem o texto em partes a ser usado para solicitar o modelo de base.

O notebook concluído

Tarefa 6: Avisar o Modelo de Base

Agora que você tem o artigo de notícias relevante devidamente dividido em pedaços, pode criar seus próprios modelos de prompt no site Prompt Lab ou usar os modelos de prompt de amostra no projeto de amostra. O projeto de amostra inclui modelos de prompt de amostra para resumo e tarefas de resposta de perguntas. Siga estas etapas para solicitar o modelo de fundação no site Prompt Lab :

Tarefa 6a: Tarefa de resumo

Primeiro, experimente o modelo de prompt de resumo.

  1. Retorne para a guia Ativos do projeto

  2. Clique no modelo de prompt Summarize Bank Promotions (Resumir promoções bancárias ). Isso abre o modelo de prompt no site Prompt Lab.

  3. Clique em Editar para abrir o modelo de prompt no modo de Edição

    Para a tarefa de sumarização, você usa o texto do artigo de notícias em pedaços como exemplo de entrada e observa que o profissional de marketing geralmente escreve manualmente para explicar ofertas promocionais como exemplo de saída. Isso serve para garantir que o resultado seja semelhante ao que a própria equipe de marketing poderia escrever.

  4. Observe que o modelo de fundação usado para esse prompt é XX.

  5. Clique em Gerar para ver os resultados do resumo

  6. Experimente diferentes texto de entrada e saída do artigo de notícias em partes no bloco de notas.

Tarefa 6b: Tarefa de resposta a perguntas

Em seguida, experimente o modelo de prompt de resposta a perguntas.

  1. Clique em Prompts salvos Prompts salvos para ver os prompts salvos do seu projeto.

  2. Clique no modelo de prompt Question Answer Bank Promotions na lista de prompts salvos.

  3. Clique em Editar para abrir o modelo de prompt no modo de Edição

    Para a tarefa de resposta a perguntas, você usa perguntas como o exemplo de entrada e respostas no nível de detalhe necessário e no formato preferencial como o exemplo de saída

  4. Observe que o modelo de base usado para esse prompt é flan-t5-xxl-11b.

  5. Clique em Gerar para ver os resultados do resumo

  6. Experimente diferentes textos de entrada e saída.

Tarefa 6c: Ajuste os parâmetros do modelo

No site Prompt Lab, você pode ajustar as configurações de decodificação para otimizar a saída do modelo para a tarefa específica:

  • Decodificação
    • Ganancioso: sempre selecione palavras com a maior probabilidade
    • Amostragem: personalizar a variabilidade da seleção de palavras
  • Penalidade de Repetição: quanta repetição é permitida
  • Critérios de Parada: uma ou mais sequências que farão com que a geração de texto pare se for produzida

Essa flexibilidade permite um alto grau de personalização, garantindo que o modelo opere com os parâmetros mais adequados aos requisitos e restrições da tarefa.

No site Prompt Lab, você pode definir limitações de token para garantir que as tarefas permaneçam dentro do escopo operacional do modelo. Essa configuração ajuda a equilibrar a abrangência da resposta com as limitações técnicas do modelo, resultando em um processamento eficiente e eficaz das tarefas.

Tarefa 6d: Bate-papo com documentos

Você também pode usar o modo Chat para solicitar um modelo básico usando um documento PDF de amostra que forneça fatos. A adição de um ou mais documentos cria um índice vetorial na memória que o modelo de base usará para responder à pergunta.

  1. Clique em Novo prompt.

  2. Clique em Chat.

  3. Opcional: Selecione um modelo, por exemplo, llama-3-1-8b-instruct.

  4. Clique no ícone Carregar documentos Fazer upload de documentos e selecione Adicionar documentos.

  5. Clique em Select from project (Selecionar do projeto ).

    1. Selecione o CD do banco Rates.pdf.
    2. Clique em Select.

  6. De volta à página Ground gen AI with vectorized documents, verifique o nome e clique em Create.

  7. No campo Digite algo, digite a seguinte pergunta e clique no ícone Enviar Enviar para ver a resposta.

    Which bank has the best APY for a term deposit and what is the rate?

ícone de ponto de verificação Verifique seu progresso

A imagem a seguir mostra o site Prompt Lab.

O Prompt Lab

Próximas etapas

Experimentar com blocos de notas de prompt

No site Prompt Lab, você pode salvar seu trabalho no formato de bloco de notas:

  1. Carregue um modelo de prompt salvo
  2. Clique em Salvar trabalho> Salvar como
  3. Selecione Bloco de Notas
  4. Digite um nome..
  5. Clique em Salvare, em seguida, explore o bloco de notas de prompt
  6. Repita essas etapas para o outro modelo de prompt

Ajustar um modelo de base..

Talvez você queira ajustar o modelo da fundação para aprimorar o desempenho do modelo em comparação com a engenharia rápida isolada ou reduzir os custos implantando um modelo menor com desempenho semelhante ao de um modelo maior. Consulte o tutorial Tune a foundation model .

Recursos adicionais