Hogyan használjuk az IBM Watsonx-et prediktív elemzéshez
Korábban az üzleti eredmények előrejelzéséhez adatelemző csapatra, hónapokig tartó modellezésre és egy kis imára volt szükség.
De most, hogy a McKinsey szerint a szervezetek 78%-a legalább egy üzleti funkcióban használja a mesterséges intelligenciát, ez az idő hónapokról szinte azonnali betekintésre rövidült.
Ezzel a változással a prediktív modellek gyors kiadására nehezedő nyomás soha nem volt még ilyen nagy.
Az IBM Watsonx a prediktív modellek építésének és üzembe helyezésének folyamatát egy egységes, böngészőalapú munkafolyamatba sűríti, amelyet a 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 áttekint, az első adatkészlet feltöltésétől és a modell betanításától kezdve egészen annak élő API-ként való üzembe helyezéséig, és ami a legfontosabb: bemutatja, hogyan kapcsolhatja össze a modell által generált eredményeket 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.
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 bevezetése azt jelentheti, hogy a modelleket egy helyen képezi ki, az adatokat egy másik helyen kezeli, a szabályozást és a megfelelőséget pedig egy harmadik eszközzel intézi.
Az IBM Watsonx az IBM vállalati mesterséges intelligencia- és adatplatformja, amelyet úgy terveztek, hogy megoldja a széttagoltság technikai oldalát. Lényegében egy olyan mesterséges intelligencia-termékcsomagról van szó, amely lehetővé teszi a mesterséges intelligencia felépítését, betanítását és üzemeltetését a vállalaton belül anélkül, hogy az egész szétszórtnak vagy kísérleti jellegűnek tűnne.
A platform egyetlen projektmunkaterületet kínál, így megoldást nyújt a széttagolt munkafolyamatokra. Az adatok feltöltése, a kísérletek futtatása és a figyelők konfigurálása a környezet elhagyása nélkül végezhető el.
A Watsonx csomag három fő összetevőből áll:
- Watsonx.ai: Készítsen és tanítson be prediktív modelleket az AutoAI vagy egyéni notebookok segítségével
- Watsonx. data: Csatlakoztassa és készítse elő az adatokat több forrásból egy lakehouse architektúrában
- Watsonx. Governance: A modellek teljesítményének nyomon követése és a méltányossági szabályok érvényesítése
Kifejezetten a prediktív elemzéshez a watsonx.ai lesz az elsődleges felület, amelyet használni fog. Ez magában foglalja 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 abból indul ki, hogy már rendelkezik IBM Cloud-fiókkal és létrehozott egy Watsonx-projektet. A teljes folyamatot közvetlenül a böngészőjében elvégezheti, helyi környezet beállítása nélkül. Íme, hogyan:
1. lépés: Adatainak előkészítése és feltöltése
Kezdje azzal, hogy adatait táblázatos formátumba rendezi, például egy 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 képező bemeneti adatok.
Az adatok feltöltéséhez lépjen a Watsonx-projektjébe, és nyissa meg az „Assets” (Eszközök) fület. Innen közvetlenül feltölthet egy CSV-fájlt, vagy csatlakozhat egy adatforráshoz a watsonx.data szolgáltatáson keresztül.
Mielőtt elkezdené, ügyeljen néhány gyakori adatproblémára:
- Hiányzó értékek: A nagy pontosság biztosítása érdekében a feltöltés előtt tisztítsa meg a kritikus oszlopokban található nagy hiányosságokat.
- Céloszlop-típus: Győződjön meg arról, hogy a besorolási célok kategóriásak, a regressziós célok pedig numerikusak legyenek.
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 feldolgozási folyamat általában az, amelyet az AutoAI az Ön konkrét adatkészletéhez ajánl.
Ne feltételezze, hogy a legjobban rangsorolt feldolgozási folyamat automatikusan a legjobb választás. Érdemes összehasonlítani a legjobb két vagy három feldolgozási folyamatot, ahelyett, hogy megkérdőjelezhetetlenül az elsőt választaná. Bármelyikre rákattintva megvizsgálhatja például, mely jellemzők a legfontosabbak, vagy hogy a modell hogyan követ el hibákat a zavarossági mátrixok segítségével.
3. lépés: A prediktív modell telepítése
Miután kiválasztott egy megfelelő feldolgozási folyamatot, mentse el azt modellként a projektjében. Ezután ezt a mentett modellt át kell helyeznie egy telepítési térbe. A telepítési tér egy különálló környezet, amelyet kifejezetten termelési munkaterhelésekhez 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 előre meghatározott ütemezés szerint értékeli a nagy adatkészleteket.
Használja a beépített tesztelési lapot egy minta bemeneti adatcsomag elküldéséhez. Ez lehetővé teszi a predikciós kimenet ellenőrzését, mielőtt azt a későbbi rendszerekbe integrálná. A telepítés során létrejön egy API-végpont és egy értékelési URL, amelyet a külső alkalmazások meghívhatnak.
4. lépés: A modell teljesítményének figyelemmel kísérése és értékelése
A múltbeli adatok alapján betanított modell teljesítménye 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 felmerülő 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, feltétlenül állítsa be a méltányossági ellenőrzőket, hogy biztosítsa a pártatlanságot.
A rendszer előrejelzésenként magyarázatokat generálhat, amelyek pontosan megmutatják, mely jellemzők vezettek egy adott eredményhez. Ezután havi gyakoriságot állíthat be a felügyeleti irányítópultok áttekintésére, és a minőség romlása esetén újrataníthatja a modellt.
Mielőtt lezárnánk ezt a fejezetet, fontos megértenünk, hogy a folyamat minden egyes lépésében különböző emberek vesznek részt. Ha nincs olyan rendszer, amely nyomon követi a végrehajtást, a folyamat gyorsan lelassulhat, és kicsúszhat az irányítás alól.
- Az adatelemző feladata az adatkészlet tisztítása és érvényesítése a feltöltés előtt
- Egy gépi tanulási mérnök lefuttatja az AutoAI-kísérletet, és összehasonlítja a legjobb feldolgozási folyamatokat
- Ugyanaz a mérnök (vagy egy ML-operációs szakember) végzi a modell telepítését és az API beállítását
- Az adatelemző vagy a mesterséges intelligencia vezetője figyelemmel kíséri a teljesítményt, áttekinti az eltérési jelentéseket, és eldönti, mikor szükséges az újratanítás.
Ha nincs strukturált módszer ennek kezelésére, könnyen előfordulhat, hogy szétszórt jegyzetekre, Slack-üzenetekre, e-mailekre vagy a memóriájára kell támaszkodnia, 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, amelyben:
- Minden lépés nyomon követhető feladattá válik
- Minden feladatot a megfelelő személyhez rendelünk
- A haladás a teljes munkafolyamat során nyomon követhető

De ez még nem minden. Minden feladatot alátámasztanak azok a kontextusok és strukturált adatok, amelyek támogatják a végrehajtását.
- Az egyéni mezők strukturált adatokat rögzíthetnek, például a modell verzióját, az adatkészlet forrását, az értékelési mutatókat, a telepítés típusát vagy az újratanítás gyakoriságát.

- A ClickUp Docs-ban tárolhatók a kiegészítő dokumentumok, például az adat-előkészítési útmutatók, a modellek alapjául szolgáló feltételezések, a kísérleti jegyzetek vagy a telepítési utasítások.

Így a feladatok nem többé homályos teendők maradnak, hanem teljes mértékben kontextusba ágyazott, egyértelmű, kiosztott és végrehajtásra kész munkameghatározásokká válnak.
De ez nem ér véget a feladatok nyomon követésével; ezek a feladatok nem egyszeri műveletek. Folyamatos munkafolyamatokról van szó, amelyekhez folyamatosan szükség van egy bizonyos szintű, ismétlődő manuális beavatkozásra.
Például:
- Ha a modell pontossága a küszöbérték alá csökken, valakit ki kell jelölni az újratanításra
- Ha az OpenScale eltérést jelez, akkor azt a riasztást egy olyan feladattá kell alakítani, amelynek egyértelműen kijelölt felelőse van.
- Ha a telepítés a tesztelés során sikertelen, azt rögzíteni, kijelölni és gyorsan megoldani kell
A ClickUp Automations még egy lépéssel tovább megy: előre meghatározott feltételek alapján automatikus műveleteket indít el, így kiküszöböli a munkafolyamatok közötti manuális átadást.
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 elindít egy telepítési feladatot az ML-műveleti szakértő számára.

Így az egyes lépések kézi átadás nélkül folynak át a következőbe. A feladatok automatikusan létrejönnek, kiosztásra kerülnek és kontextussal gazdagodnak, így a teljes munkafolyamat szünet nélkül halad tovább.
Prediktív elemzés – felhasználási példák csapatok számára
A csapatok a következő leggyakoribb módszerekkel alkalmazzák a prediktív elemzést:
- Kereslet-előrejelzés : Előrejelzi a termék iránti keresletet a következő negyedévre, így az operációs csapat időben feltöltheti a készleteket, és elkerülheti az áruhiányt
- Ügyfélelvándorlás-előrejelzés : A meglévő ügyfeleket a távozás valószínűsége alapján értékel, és a magas kockázatú fiókokat az ügyfélmegtartási munkafolyamatokba irányítja
- Projektkockázati értékelés : A korábbi minták, például a hatókör-változások alapján jelzi azokat a projekteket, amelyeknél valószínű, hogy nem tartják be a határidőket
- Értékesítési folyamat előrejelzése : Előrejelzi, mely ügyletek zárulhatnak le, és megbízható előrejelzést nyújt az értékesítési csapatoknak
- IT-incidensek előrejelzése : A naplóminta alapján azonosítja azokat az infrastruktúra-összetevőket, amelyeknél meghibásodás várható
Mindezek mellett fontos megjegyezni, hogy ezeknek az előrejelzéseknek az értéke csak akkor növekszik meg, ha az eredmények közvetlenül bekerülnek azokba az eszközökbe, amelyekben a csapata már végrehajtja az általuk befolyásolt döntéseket.
🎯 Javaslatunk: Hozza át ezeket az eredményeket egy olyan konvergens AI-munkaterületbe, 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 munkavégzést indíthatnak el a különböző csapatokban.
- A marketing területén a magas vásárlási szándékú szegmens előrejelzése automatikusan létrehozhat kampányfeladatokat
- Az értékesítés területén a potenciális ügyfelek értékelésének eredményei prioritás szerint rendezett kapcsolattartási feladatokká alakíthatók
- Az üzemeltetés területén a kockázati előrejelzések (például az ügyfélelvándorlás vagy a meghibásodás) nyomon követést vagy beavatkozást indíthatnak el
Minden csapat kialakíthatja saját munkafolyamatait a ClickUp Tasks-en belül, pontosan úgy, ahogyan az Ön gépi tanulási csapata is teszi a betanítás és a bevezetés során. Ugyanaz a rendszer, csak különböző felhasználási esetekről van szó.
És ez nem ér véget a végrehajtással. A ClickUp Dashboards segítségével a következőket teheti:
- A prediktív elemzések eredményeinek vizualizálása (pl. magas kockázatú és alacsony kockázatú szegmensek)
- Kövesse nyomon, hogyan haladnak a különböző csapatoknál az ezekből a betekintésekből létrehozott feladatok
- A munkaterhelés figyelemmel kísérése a csapatok között
- Nézze meg, hogyan alakulnak a jóslatok valós eredményekké

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 nem egy másikban marad; minden egy helyen, összekapcsolva marad.
Az Ön által nyert betekintések nem csupán alapul szolgálnak a döntésekhez, hanem azokat elindítják, kiosztják, nyomon követik és ténylegesen végrehajtják is.
💡 Profi tipp: A ClickUp Brain-t beépített AI-asszisztensként használhatja az egész munkaterületén.
Ez nem egy különálló eszköz, hanem a ClickUp munkaterületén belüli intelligencia-réteg, ami azt jelenti, hogy már rendelkezik a feladataihoz, adataihoz és munkafolyamataihoz tartozó kontextussal.
Így ahelyett, hogy csupán a feladatokat követné nyomon, egy mesterséges intelligencia-asszisztens dolgozik Ön mellett, segítve abban, hogy megértse a helyzetet, és gyorsabban haladjon a következő teendőkkel.
Például @megemlítheti a Brain-t egy feladat megjegyzésében, akárcsak egy csapattársát, és megkérdezheti:
- „Összegezze a legfrissebb eltérési jelentést, és emelje ki, mire kell figyelni.”
- „Mi változott a modellünk teljesítményében az elmúlt 30 napban?”
A rendszer az Ön munkaterületének adataiból merít, és világos, azonnali választ ad. Emellett feladatokat is generálhat az Ön számára. Megkérheti, hogy:
- Írjon egy rövid tájékoztatót az érdekelt felek számára, amelyben elmagyarázza, miért telepítették újra a modellt
- Készítsen újratanítási tervet a legutóbbi teljesítménycsökkenések alapján
- Készítsen ellenőrzőlistát az új adatkészlet betanítás előtti validálásához
Mivel a ClickUp konvergált munkaterületet kínál, a csapatának nem kell külön eszközöket használnia a kommunikációhoz és a feladatok végrehajtásához.
Minden beszélgetés közvetlenül a ClickUp Chatben zajlik, legyen szó a modell pontosságának csökkenéséről, egy jelzett eltérésre vonatkozó riasztás áttekintéséről vagy a sikertelen telepítés utáni következő lépések meghozataláról.
De ami még fontosabb: ezek a beszélgetések nem maradnak csak úgy ott.
Annak érdekében, hogy a megbeszélések cselekvéshez vezessenek, használja a „Megjegyzések hozzárendelése” funkciót. Bármely beszélgetés közben hozzárendelhet egy üzenetet egy adott csapattagnak, így az azonnal egyértelmű teendővé 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.
🎥 Ahhoz, hogy jobban megértsd az üzleti életben alkalmazott mesterséges intelligencia szélesebb körű felhasználási területeit, nézd meg ezt az áttekintést a valós AI-alkalmazási példákról, amelyek bemutatják, hogyan alkalmazzák a szervezetek a mesterséges intelligenciát különböző funkciókban és iparágakban. ✨
Az IBM Watsonx prediktív elemzésre való használatának korlátai
Minden eszköznek megvannak a maga előnyei és hátrányai, és a Watsonx sem kivétel ez alól. Igen, hatékony eszköz, de mielőtt a platform mellett döntene, vegye figyelembe az alábbi korlátozásokat:
- Tanulási görbe: A telepítési terek és az irányítási monitorok konfigurálásához továbbra is alaposan ismernie kell a felhőalapú platformok fogalmait, ezért ez a megoldás nem feltétlenül a legmegfelelőbb, ha csapata még nem rendelkezik jelentős tapasztalattal a felhőalapú eszközök vagy infrastruktúra terén.
- Kézi adatkezelés : A platform nem automatizálja a nyers adatok tisztításának és strukturálásának legnehezebb részét, ami azt jelenti, hogy a csapatának továbbra is kézzel kell elvégeznie az adat-előkészítés jelentős részét, mielőtt megbízható eredményeket kaphatna.
- Számítási költségek: Az IBM Watsonx-en végzett betanítási kísérletek és az éles környezetben történő telepítések ára a felhasználás alapján kerül kiszámításra, így a növekvő munkaterhelés esetén a felhőalapú erőforrások gyorsan kimerülhetnek a méretezés során, ami magasabb költségekkel jár.
- Munkafolyamat-integráció: Az előrejelzések alapján történő cselekvéshez külső projektmenedzsment-eszközökhöz való csatlakozás szükséges
- Az irányítás összetettsége : A méltányossági és eltérési figyelők konfigurálása több lépésből áll, ami kisebb csapatok számára megterhelőnek tűnhet
Ezek a korlátozások csupán rávilágítanak arra, hol kell kiegészítő eszközöknek beavatkozniuk. Ez különösen igaz a prediktív folyamat cselekvési szakaszára.
📮 ClickUp Insight: Felmérésünk válaszadóinak 88%-a használja a mesterséges intelligenciát személyes feladataihoz, mégis több mint 50% kerüli annak használatát a munkahelyén. A három fő akadály? A zökkenőmentes integráció hiánya, a tudásbeli hiányosságok vagy a biztonsági aggályok.
De mi van, ha az AI már be van építve a munkaterületébe, és eleve biztonságos? A ClickUp Brain, a ClickUp beépített AI-asszisztense, ezt valósággá teszi. Érti a köznyelvi utasításokat, így megoldja az AI bevezetésével kapcsolatos mindhárom aggályt, miközben összeköti a csevegést, a feladatokat, a dokumentumokat és a tudást a munkaterületen belül. Találjon válaszokat és betekintést egyetlen kattintással!
Alternatív mesterséges intelligencia eszközök a prediktív elemzéshez
A Watsonx nem az egyetlen lehetőség a piacon a prediktív modellezés terén. A technikai ismereteitől függően más platformok is jobban illeszkedhetnek az Ön rendszeréhez. Az alábbi táblázatban egy pillanat alatt összehasonlíthatja őket.
| Eszköz | Legalkalmasabb | Fő megkülönböztető tényező |
| IBM Watsonx | Olyan vállalati csapatok számára, amelyek szabályozott, ellenőrizhető mesterséges intelligenciára szorulnak | AutoAI + beépített irányítás és eltérésfigyelés |
| Google Vertex AI | A Google Cloudon már jelen lévő csapatok | Szoros integráció a BigQuery-vel és a GCP-szolgáltatásokkal |
| Azure Machine Learning | A Microsoft ökoszisztémájához tartozó szervezetek | Natív kapcsolat a Power BI-vel és az Azure DevOps-szal |
| Amazon SageMaker | AWS-alapú csapatok gépi tanulási mérnöki erőforrásokkal | Széles körű algoritmuskönyvtár és rugalmas notebook-környezet |
| DataRobot | Olyan üzleti elemzők számára, akik teljesen automatizált gépi tanulást szeretnének | Teljes körű automatizálás, erős magyarázhatósági alapbeállításokkal |
| ClickUp Brain | Olyan csapatok számára, amelyeknek szükségük van a projektmunkafolyamatokba közvetlenül beágyazott, mesterséges intelligencián alapuló betekintésekre | Kontextustudatos mesterséges intelligencia, amely feladatok, dokumentumok és irányítópultok között is működik, anélkül, hogy eszközt kellene váltani |
📮 ClickUp Insight: A kontextusváltás észrevétlenül rontja a csapat termelékenységét. Kutatásaink szerint a munkahelyi zavarok 42%-a a különböző platformok közötti váltogatásból, az e-mailek kezeléséből és a megbeszélések közötti ugrálásból származik. Mi lenne, ha kiküszöbölhetné ezeket a költséges zavaró tényezőket?
A ClickUp egyetlen, egyszerűsített platformon egyesíti a munkafolyamatait (és a csevegést). Indítsa el és kezelje feladatait a csevegőn, a dokumentumokban, a táblákon és más felületeken keresztül – miközben az AI-alapú funkciók gondoskodnak arról, hogy a kontextus összekapcsolt, kereshető és kezelhető maradjon!
Ne csak jósoljon, hanem hajtsa végre a terveket a ClickUp segítségével!
Az IBM Watsonx használata prediktív elemzéshez egyértelmű útvonalat követ az adatok előkészítésétől a drift-figyelésig, de ez még csak a legegyszerűbb rész. Az igazi munka abban rejlik, hogy biztosítsa: ezek az előrejelzések valóban megváltoztassák a csapata 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 újraprioritizált feladatok segítségével közvetlenül összekapcsolják modelljeik kimeneteit a végrehajtási munkafolyamatokkal.
Ha olyan munkaterületet szeretne, ahol az AI-alapú elemzések, a projektvégrehajtás és a csapaton belüli kommunikáció máris egy helyen található, kezdje el még ma ingyenesen a ClickUp használatát. ✨
Gyakran feltett kérdések
Mire használható az IBM Watsonx?
Ez egy vállalati adat- és mesterséges intelligencia-platform, amely gépi tanulási modellek építésére, betanítására és üzembe helyezésére szolgál. A csapatok egyetlen felhőalapú környezetből kezelhetik vele adattárházaikat és felügyelhetik a mesterséges intelligencia irányítását.
Hogyan működik az AutoAI a Watsonx-ben?
Az AutoAI egy kódírás nélküli eszköz, amely automatikusan elemzi a táblázatos adatait, hogy kiválassza a legjobb gépi tanulási algoritmusokat. Jellemzőket alakít ki, és rangsorolja a jelölt modelleket egy ranglistán, így Ön a legpontosabb megoldást tudja üzembe helyezni.
Melyek az IBM Watsonx korlátai?
A platform használatához alapos ismeretekre van szükség a felhőalapú koncepciókról a telepítési terek és az irányítási monitorok konfigurálásához. Emellett nem automatizálja a nyers adatok feltöltés előtti kézi tisztítását és strukturálását.
