Hogyan használjuk az IBM Watsonx-et prediktív elemzéshez

A vállalati eredmények előrejelzéséhez korábban adatelemző csapatra, hónapokig tartó modellezésre és egy kis imádkozásra volt szükség.

De most, hogy a McKinsey szerint a szervezetek 78%-a legalább egy üzleti funkcióban használja az AI-t, ez az idő hónapokról szinte azonnali betekintésre csökkent.

Ezzel a változással a prediktív modellek gyors szállítására nehezedő nyomás soha nem volt nagyobb.

Az IBM Watsonx a prediktív modellek építésének és telepítésének folyamatát egy egységes, böngészőalapú munkafolyamatba sűríti, amelyet fejlesztői csapata perceken belül futtathat. De a sebesség önmagában nem elég. Ha a modellek által generált előrejelzések nem kapcsolódnak azokhoz a vezetői munkafolyamatokhoz, amelyekre hatással vannak, akkor nem eredményeznek valódi hatást.

Ez az útmutató minden lépést lefed, az első adatkészlet feltöltésétől és a modell betanításától kezdve a modell élő API-ként való telepítéséig, és ami a legfontosabb: az általa generált betekintések összekapcsolásáig olyan eszközökben, mint a ClickUp. 🔨

Megtanulja, hogyan kell modellt építeni a Watsonx-ben, és hogyan kell a modell kimeneteit operatív felhasználásra átalakítani, hogy az előrejelzések a csapat egészében cselekvéshez vezessenek.

Mi az IBM Watsonx, és hogyan támogatja a prediktív elemzést?

Az AI-modellek üzleti célú szállítása azt jelentheti, hogy a modelleket egy helyen képezi ki, az adatokat egy másik helyen kezeli, a szabályozást vagy a megfelelőséget pedig egy harmadik eszközzel intézi.

Az IBM Watsonx az IBM vállalati mesterséges intelligencia- és adatplatformja, amelyet a fragmentáció technikai oldalának megoldására terveztek. Alapvetően egy olyan mesterséges intelligencia-termékcsomagról van szó, amely lehetővé teszi a mesterséges intelligencia felépítését, betanítását és futtatását a vállalaton belül anélkül, hogy az egész szétszórtnak vagy kísérleti jellegűnek tűnne.

A platform egyetlen projektmunkaterülettel oldja meg a széttagolt munkafolyamatok problémáját. Az adatokat feltöltheti, kísérleteket futtathat és monitorokat konfigurálhat anélkül, hogy elhagyná a környezetet.

A Watsonx csomag három fő összetevőből áll:

Kifejezetten a prediktív elemzéshez a watsonx.ai lesz az elsődleges felület, amelyet használni fog. Ez tartalmazza az AutoAI-t, egy kódírás nélküli kísérletkészítőt, amely automatikusan kiválasztja az algoritmusokat és rangsorolja a lehetséges modelleket.

Az útmutató további része a watsonx.ai-n belüli AutoAI munkafolyamatra összpontosít. Ez a leggyorsabb út egy működőképes prediktív modell elindításához.

Lépésről lépésre: prediktív modell készítése a Watsonx-ben

Ez az útmutató feltételezi, hogy már rendelkezik IBM Cloud fiókkal és létrehozott Watsonx projekttel. A teljes folyamatot közvetlenül a böngészőjében elvégezheti, helyi környezet beállítása nélkül. Így kell csinálni:

1. lépés: Adatainak előkészítése és feltöltése

Kezdje azzal, hogy adatait táblázatos formátumba rendezi, például CSV-fájlba. Ennek a fájlnak tartalmaznia kell egy egyértelműen meghatározott céloszlopot, amely meghatározza azt a konkrét dolgot, amit előre szeretne jelezni. Szüksége van továbbá jellemzőoszlopokra is, amelyek a modell tanulási alapját képezik.

Az adatok feltöltéséhez lépjen a Watsonx-projektjéhez, és nyissa meg az Eszközök fület. Innen közvetlenül feltölthet egy CSV-fájlt, vagy csatlakozhat egy adatforráshoz a watsonx.data segítségével.

Mielőtt elkezdené, ügyeljen néhány gyakori adatproblémára:

2. lépés: Prediktív modell betanítása az AutoAI segítségével

Itt kezdődik a modell betanítása. A projekt munkaterületén kattintson az „Új AutoAI-kísérlet létrehozása” gombra.

Válassza ki a feltöltött adatkészletet, majd a céloszlopot. Ezután beállíthatja a kísérlet típusát és az opcionális beállításokat, például azt, hogy az adatok hogyan oszlanak meg a betanítás és a tesztelés között.

Futtassa a kísérletet, hogy az AutoAI automatikusan létrehozza a folyamat ranglistáját. Ez a ranglista a kiválasztott mutató, például a pontosság vagy az F1-pontszám alapján rangsorolja a jelölt modelleket.

A ranglista minden sora a gépi tanulási algoritmusok és a jellemző-tervezés egyedi kombinációját jelenti. A legmagasabb rangú folyamat általában az, amelyet az AutoAI az Ön konkrét adatkészletéhez ajánl.

Ne feltételezze, hogy a legjobban rangsorolt folyamat automatikusan a helyes választás. Érdemes összehasonlítani a legjobb két vagy három folyamatot, ahelyett, hogy megkérdőjelezhetetlenül az elsőt választaná. Bármelyikre rákattintva megvizsgálhatja például, hogy mely jellemzők a legfontosabbak, vagy hogy a modell hogyan követ el hibákat a zavarossági mátrixok segítségével.

3. lépés: Telepítse a prediktív modellt

Miután kiválasztotta a megfelelő folyamatot, mentse el azt modellként a projektjében. Ezután ezt a mentett modellt át kell helyeznie egy telepítési területre. A telepítési terület egy különálló környezet, amelyet kifejezetten termelési terhelésekre terveztek.

Választhat az online és a kötegelt telepítés között. Az online telepítés valós idejű REST API-t biztosít az igény szerinti előrejelzésekhez. A kötegelt telepítés nagy adatkészleteket értékel egy előre meghatározott ütemezés szerint.

Használja a beépített tesztelési lapot egy minta bemeneti adatcsomag elküldéséhez. Ez lehetővé teszi a predikciós kimenet ellenőrzését, mielőtt azt a downstream rendszerekbe integrálná. A telepítés létrehoz egy API végpontot és egy pontozási URL-t, amelyet a külső alkalmazások hívhatnak meg.

4. lépés: A modell teljesítményének figyelemmel kísérése és értékelése

A korábbi adatok alapján betanított modell idővel romolhat, ahogy a valós világban a mintázatok változnak. Ezt a romlást driftnek nevezik, és idővel észrevétlenül ronthatja a modell minőségét.

Ahhoz, hogy folyamatosan nyomon követhesse modellje valós körülmények közötti teljesítményét, és még mielőtt problémává válnának, felismerhesse a hibákat, engedélyezze a felügyeletet a Watson OpenScale komponensen keresztül, majd kapcsolja össze a telepítést a felügyeleti eszközzel, és állítsa be a pontosságra és a precizitásra vonatkozó minőségi küszöbértékeket.

Ha előrejelzése érzékeny attribútumokat tartalmaz, ügyeljen arra, hogy beállítsa a méltányossági ellenőrzőket a pártatlanság biztosítása érdekében.

A rendszer előrejelzésenként magyarázatokat generálhat, amelyek pontosan megmutatják, mely jellemzők vezettek egy adott eredményhez. Innen havi gyakoriságot állíthat be ezeknek a felügyeleti irányítópultoknak a felülvizsgálatára, és a modell újratanítására, ha a minőség romlik.

Mielőtt lezárnánk ezt a fejezetet, fontos megértenünk, hogy a folyamat minden egyes lépésében különböző emberek vesznek részt. A végrehajtás nyomon követésére szolgáló rendszer nélkül a folyamat gyorsan lelassulhat és kicsúszhat az irányítás alól.

Ha nincs strukturált módszer a kezelésére, könnyen előfordulhat, hogy szétszórt jegyzetekre, Slack-üzenetekre, e-mailekre vagy a memóriájára kell hagyatkoznia, és ez késedelmekhez és kihagyott lépésekhez vezet. Ennek következtében a feladatkezelés kritikus fontosságúvá válik.

Ahelyett, hogy ezek a lépések egymástól elszigetelten léteznének, a ClickUp Tasks olyan rendszert kínál, ahol:

De ez még nem minden. Minden feladatot alátámasztanak azok a kontextusok és strukturált adatok, amelyek támogatják a végrehajtását.

Így a feladatok nem homályos teendők maradnak, hanem teljesen kontextusba ágyazott, egyértelmű, kiosztott és végrehajtásra kész munkamegállapodásokká válnak.

De ez nem ér véget a feladatok nyomon követésével; ezek a feladatok nem egyszeri műveletek. Folyamatos munkafolyamatokról van szó, amelyek folyamatosan bizonyos szintű ismétlődő manuális beavatkozást igényelnek.

Például:

A ClickUp Automations még egy lépéssel tovább megy, és megszünteti a munkafolyamatok közötti manuális átadásokat azáltal, hogy előre meghatározott feltételek alapján automatikus műveleteket indít el.

Ha új adatkészletet töltenek fel, a rendszer automatikusan létrehoz egy validációs feladatot, és azt az adatelemzőnek rendeli hozzá. Amint a feladat „Kész” jelölést kap, a rendszer automatikusan egy modelltanítási feladatot rendel a gépi tanulási mérnökhöz. A tanítás befejezése után a rendszer egy telepítési feladatot indít el az ML-műveleti szakértő számára.

Így minden lépés zökkenőmentesen átvezet a következőbe, manuális átadások nélkül. A feladatok automatikusan létrejönnek, kiosztásra kerülnek és kontextussal gazdagodnak, így a teljes munkafolyamat szünet nélkül halad tovább.

Prediktív elemzés használati esetei csapatok számára

A csapatok a következő leggyakoribb módszerekkel használják a prediktív elemzést:

Mindezek mellett fontos megjegyezni, hogy ezeknek az előrejelzéseknek az értéke csak akkor növekszik meg, ha az eredmények közvetlenül azokba az eszközökbe kerülnek, ahol a csapata már végrehajtja az általuk befolyásolt döntéseket.

🎯 Javaslatunk: Hozza át ezeket az információkat egy olyan konvergens AI munkaterületre, mint a ClickUp.

A ClickUp segítségével nem csupán a modellek betanításának munkafolyamatait kezeli. A napi műveleteit is ugyanazon a felületen bonyolítja le, így az előrejelzések közvetlenül valós munkát indíthatnak el a csapatok között.

Minden csapat kialakíthatja saját munkafolyamatait a ClickUp Tasks-en belül, pontosan úgy, ahogyan az Ön ML-csapata teszi a betanítás és a telepítés során. Ugyanaz a rendszer, csak különböző felhasználási esetek.

És ez nem ér véget a végrehajtással. A ClickUp Dashboards segítségével:

Csak annyit kell tennie, hogy kiválasztja a kívánt widgetet, legyen az oszlopdiagram, kördiagram, vonaldiagram vagy haladáskövető. Így a modellje nem egy eszközben, a végrehajtás pedig egy másikban marad; minden egy helyen marad összekapcsolva.

Az Ön által nyert betekintések nem csupán alapul szolgálnak a döntésekhez, hanem azokat kiváltják, kiosztják, nyomon követik és ténylegesen végrehajtják.

💡 Profi tipp: A ClickUp Brain-t beépített AI-asszisztensként használhatja az egész munkaterületén.

Ez nem egy különálló eszköz; ez a ClickUp munkaterületén belüli intelligencia réteg, ami azt jelenti, hogy már rendelkezik a feladatok, adatok és munkafolyamatok kontextusával.

Így ahelyett, hogy csak a feladatokat követné nyomon, egy AI-asszisztens dolgozik Ön mellett, segítve megérteni a történéseket, és gyorsabban haladni a következő teendőkkel.

Például @megemlítheti a Brain-t egy feladat megjegyzésében, akárcsak egy csapattársát, és megkérdezheti:

• „Összegezze a legfrissebb eltérési jelentést, és emelje ki a figyelmet igénylő pontokat.”
• „Mi változott a modellünk teljesítményében az elmúlt 30 napban?”

Próbálja ki a ClickUp Brain-t

A rendszer az Ön munkaterületének adataiból merít, és világos, azonnali választ ad. Emellett munkát is generálhat Önnek. Megkérheti, hogy:

• Írjon egy rövid tájékoztatót az érdekelt felek számára, amelyben elmagyarázza, miért telepítették újra a modellt
• Készítsen újratréningezési tervet a legutóbbi teljesítménycsökkenések alapján
• Készítsen ellenőrzőlistát az új adatkészlet edzés előtti validálásához

Mivel a ClickUp konvergált munkaterületet kínál, a csapatának nem kell külön eszközöket használnia a kommunikációhoz és a végrehajtáshoz.

Minden beszélgetés közvetlenül a ClickUp Chatben zajlik, legyen szó a modell pontosságának csökkenéséről, egy jelzett eltérésről szóló riasztás áttekintéséről vagy a sikertelen telepítés utáni következő lépések meghozataláról.

De ami még fontosabb: ezek a beszélgetések nem maradnak csak ott.

Annak érdekében, hogy a megbeszélések cselekvéshez vezessenek, használja a Megjegyzések hozzárendelése funkciót. Bármely beszélgetés közben hozzárendelhet egy üzenetet egy adott csapattaghoz, így az azonnal egyértelmű cselekvési feladattá válik.

Így a beszélgetések nem merülnek feledésbe, és nem végződnek azzal, hogy „ezt meg kellene tennünk”, hanem olyan feladatokká válnak, amelyeket ténylegesen végrehajtanak és a kezdetektől a végéig nyomon követnek, mindezt a ClickUp Chat-en belül.

🎥 Az üzleti életben alkalmazott mesterséges intelligencia szélesebb körű megértéséhez nézze meg ezt az áttekintést a valós AI-alkalmazási esetekről, amelyek bemutatják, hogyan alkalmazzák a szervezetek a mesterséges intelligenciát különböző funkciókban és iparágakban. ✨

Az IBM Watsonx használatának korlátai a prediktív elemzésben

Minden eszköznek vannak előnyei és hátrányai, és a Watsonx sem kivétel ez alól. Igen, hatékony, de mielőtt elköteleznénk magunkat a platform mellett, vegyük figyelembe ezeket a korlátozásokat:

Ezek a korlátozások csupán rávilágítanak arra, hol kell beavatkozniuk a kiegészítő eszközöknek. Ez különösen igaz a prediktív folyamat cselekvési oldalára.

Alternatív AI-eszközök prediktív elemzéshez

A Watsonx nem az egyetlen lehetőség a piacon a prediktív modellezéshez. A technikai ismereteitől függően más platformok is jobban illeszkedhetnek az Ön rendszeréhez. Az alábbi táblázatban egy pillanat alatt összehasonlíthatja őket.

Ne csak jósoljon, hanem hajtsa végre a ClickUp segítségével

Az IBM Watsonx használata prediktív elemzéshez egyértelmű útvonalat követ az adatok előkészítésétől a eltérésfigyelésig, de ez a legegyszerűbb rész. Az igazi munka abban rejlik, hogy biztosítsa, hogy ezek a jóslatok valóban megváltoztassák a csapat munkamódszerét.

Azok az előrejelzések, amelyek senki által nem ellenőrzött irányítópultokon maradnak, egyszerűen csak felesleges számítási erőforrás-pazarlásnak számítanak, míg azok a csapatok, amelyek valódi értéket teremtenek, automatizált riasztások és újrasorrendelt feladatok segítségével közvetlenül összekapcsolják modelljeik kimenetét a végrehajtási munkafolyamatokkal.

Ha olyan munkaterületet szeretne, ahol az AI-alapú betekintések, a projektvégrehajtás és a csapatkommunikáció már egy helyen található, kezdje el még ma ingyenesen a ClickUp használatát. ✨

Gyakran ismételt kérdések

Ez egy vállalati adat- és AI-platform gépi tanulási modellek építéséhez, betanításához és telepítéséhez. A csapatok egyetlen felhőalapú környezetből kezelik vele adatraktáraikat és felügyelik az AI-irányítást.

Az AutoAI egy kódírás nélküli eszköz, amely automatikusan elemzi a táblázatos adatait, hogy kiválassza a legjobb gépi tanulási algoritmusokat. Kialakítja a jellemzőket, és rangsorolja a jelölt modelleket egy ranglistán, így Ön a legpontosabb opciót telepítheti.

A platformhoz a felhőalapú koncepciók alapos ismerete szükséges a telepítési terek és a kormányzási monitorok konfigurálásához. Emellett nem automatizálja a nyers adatok feltöltés előtti tisztításának és strukturálásának manuális folyamatát.