Prognoza wyników biznesowych wymagała kiedyś zespołu analityków danych, miesięcy pracy nad modelami i odrobiny szczęścia.
Jednak obecnie, gdy według McKinsey 78% organizacji wykorzystuje AI w co najmniej jednej funkcji działalności, czas ten skrócił się z miesięcy do niemal natychmiastowych wniosków.
W związku z tą zmianą presja związana z szybkim dostarczaniem modeli predykcyjnych nigdy nie była większa.
IBM Watsonx sprowadza proces tworzenia i wdrażania modeli predykcyjnych do ujednoliconego, opartego na przeglądarce cyklu pracy, który Twój zespół programistów może uruchomić w ciągu kilku minut. Jednak sama szybkość to za mało. Jeśli prognozy generowane przez te modele nie mają połączenia z procesami decyzyjnymi, na które mają wpływ, nie przynoszą one rzeczywistych korzyści.
Ten przewodnik obejmuje wszystkie etapy, od przesłania pierwszego zestawu danych i szkolenia modelu po wdrożenie go jako działającego interfejsu API, a co najważniejsze — połączenie generowanych przez niego wniosków z cyklami pracy w narzędziach takich jak ClickUp. 🔨
Dowiesz się, jak zbudować model w Watsonx oraz jak wykorzystać jego wyniki w praktyce, tak aby prognozy prowadziły do podjęcia działań przez cały zespół.
Dowiesz się, jak zbudować model w Watsonx oraz jak wykorzystać jego wyniki w praktyce, tak aby prognozy prowadziły do podjęcia działań przez cały zespół.
Czym jest IBM Watsonx i w jaki sposób zapewnia wsparcie dla analizy predykcyjnej?
Wdrażanie modeli AI w firmie może oznaczać szkolenie modeli w jednym miejscu, zarządzanie danymi w innym, a obsługę kwestii związanych z zarządzaniem lub zgodnością z przepisami w jeszcze innym narzędziu.
IBM Watsonx to korporacyjna platforma IBM do obsługi sztucznej inteligencji i danych — zaprojektowana w celu rozwiązania technicznych aspektów tej fragmentacji. Jest to w zasadzie pakiet produktów AI służących do tworzenia, szkolenia i uruchamiania sztucznej inteligencji w przedsiębiorstwie, bez wrażenia rozproszenia lub eksperymentalnego charakteru.
Platforma rozwiązuje problem fragmentacji cykli pracy, oferując jedną przestrzeń roboczą dla projektu. Możesz przesyłać dane, przeprowadzać eksperymenty i konfigurować monitory bez opuszczania środowiska.
Pakiet Watsonx składa się z trzech głównych komponentów:
- Watsonx.ai: Twórz i trenuj modele predykcyjne przy użyciu AutoAI lub niestandardowych notebooków
- Watsonx. data: Twórz połączenia i przygotowuj dane z wielu źródeł danych w architekturze typu lakehouse
- Zarządzanie w Watsonx: Śledź wydajność modeli i egzekwuj zasady sprawiedliwości
W przypadku analiz predykcyjnych głównym narzędziem, z którego będziesz korzystać, jest watsonx.ai. Zawiera ono AutoAI, narzędzie do tworzenia eksperymentów bez kodowania, które automatycznie wybiera algorytmy i ocenia potencjalne modele.
Pozostała część tego przewodnika skupia się na cyklu pracy AutoAI w ramach watsonx.ai. Jest to najszybsza droga do uruchomienia działającego modelu predykcyjnego.
Przewodnik krok po kroku dotyczący tworzenia modelu predykcyjnego w Watsonx
W tym przewodniku zakładamy, że masz już konto IBM Cloud i utworzony projekt Watsonx. Cały przepływ można zakończyć bezpośrednio w przeglądarce, bez konieczności ustawień środowiska lokalnego. Oto jak to zrobić:
Krok 1: Przygotuj i prześlij swoje dane
Zacznij od uporządkowania danych w formacie tabelarycznym, np. w pliku CSV. Plik ten musi zawierać jasno zdefiniowaną kolumnę celu, która określa konkretną rzecz, którą chcesz przewidzieć. Potrzebne są również kolumny cech, które stanowią dane wejściowe, na podstawie których model się uczy.
Aby przesłać dane, przejdź do swojego projektu Watsonx i otwórz zakładkę Zasoby. Stamtąd możesz bezpośrednio przesłać plik CSV lub nawiązać połączenie ze źródłem danych za pośrednictwem watsonx.data.
Przed rozpoczęciem należy zwrócić uwagę na kilka typowych problemów związanych z danymi:
- Brakujące wartości: przed przesłaniem danych usuń duże luki w kluczowych kolumnach, aby zapewnić wysoką dokładność
- Typ kolumny docelowej: Upewnij się, że cele klasyfikacji są kategoryczne, a cele regresji są numeryczne
Krok 2: Trenuj model predykcyjny za pomocą AutoAI
W tym miejscu rozpoczyna się szkolenie modelu. W obszarze roboczym projektu kliknij opcję „Utwórz nowy eksperyment AutoAI”.
Wybierz przesłany zbiór danych i kolumnę celu. Następnie możesz skonfigurować typ eksperymentu oraz dowolne opcjonalne ustawienia, takie jak podział danych na część szkoleniową i testową.
Uruchom eksperyment, aby narzędzie AutoAI automatycznie wygenerowało ranking potoków. Ranking ten klasyfikuje potencjalne modele według wybranej metryki, takiej jak dokładność lub wynik F1.
Każdy wiersz w tabeli wyników reprezentuje unikalną kombinację algorytmów uczenia maszynowego i inżynierii funkcji. Najwyżej sklasyfikowany potok jest zazwyczaj tym, który AutoAI rekomenduje dla konkretnego zbioru danych.
Nie zakładaj, że najwyżej sklasyfikowany potok jest automatycznie właściwym wyborem. Warto porównać dwa lub trzy najlepsze potoki, zamiast bezkrytycznie wybierać pierwszy z nich. Możesz kliknąć na dowolny z nich, aby sprawdzić, które funkcje mają największe znaczenie lub w jaki sposób model popełnia błędy, korzystając z matryc pomyłek.
Krok 3: Wdrożenie modelu predykcyjnego
Po wybraniu optymalnego potoku zapisz go jako model w swoim projekcie. Następnie musisz przenieść ten zapisany model do przestrzeni wdrożeniowej. Przestrzeń wdrożeniowa to oddzielne środowisko zaprojektowane specjalnie z myślą o obciążeniach pracą.
Możesz wybrać wdrożenie online lub w trybie wsadowym. Wdrożenie online zapewnia dostęp do interfejsu API REST w czasie rzeczywistym, umożliwiającego generowanie prognoz na żądanie. Wdrożenie wsadowe ocenia duże zbiory danych zgodnie z ustalonym harmonogramem.
Użyj wbudowanej zakładki testowania, aby wysłać próbkę ładunku wejściowego. Pozwoli to zweryfikować wynik prognozy przed zintegrowaniem go z systemami niższego szczebla. Wdrożenie generuje punkt końcowy API oraz URL oceny, do którego mogą zwracać się aplikacje zewnętrzne.
Krok 4: Monitorowanie i ocena wydajności modelu
Model wyszkolony na danych historycznych może z czasem tracić na jakości w miarę zmian rzeczywistych wzorców. To pogorszenie jakości nazywa się dryftem i może ono z czasem niepostrzeżenie obniżać jakość modelu.
Aby na bieżąco śledzić wydajność modelu w rzeczywistych warunkach i wykrywać potencjalne problemy, zanim staną się one rzeczywistym zagrożeniem, włącz monitorowanie za pomocą komponentu Watson OpenScale, a następnie połącz swoje wdrożenie z narzędziem monitorującym i skonfiguruj progi jakości dotyczące dokładności i precyzji.
Jeśli Twoje prognozy dotyczą wrażliwych atrybutów, pamiętaj o skonfigurowaniu monitorów sprawiedliwości, aby zapewnić obiektywność wyników.
System może generować wyjaśnienia dla poszczególnych prognoz, pokazujące dokładnie, które funkcje wpłynęły na konkretny wynik. Następnie można ustawić comiesięczny harmonogram przeglądania tych pulpitów monitorujących i ponownego trenowania modelu w przypadku spadku jakości.
Zanim zakończymy tę sekcję, należy pamiętać, że każdy krok tego procesu wymaga zaangażowania różnych osób. Bez systemu do śledzenia realizacji proces ten może szybko ulec spowolnieniu i wymknąć się spod kontroli.
- Analityk danych jest odpowiedzialny za czyszczenie i walidację zbioru danych przed jego przesłaniem
- Inżynier ds. uczenia maszynowego uruchamia eksperyment AutoAI i porównuje najlepsze potoki
- Ten sam inżynier (lub specjalista ds. operacji ML) zajmuje się wdrażaniem modeli i ustawieniami API
- Analityk danych lub kierownik ds. AI monitoruje wydajność, przegląda raporty dotyczące odchyleń i decyduje, kiedy konieczne jest ponowne szkolenie modeli
Bez ustrukturyzowanego sposobu zarządzania tymi zadaniami szybko możesz zacząć polegać na rozproszonych notatkach, wiadomościach na Slacku, e-mailach lub własnej pamięci, a to właśnie tam pojawiają się opóźnienia i pominięte kroki. W rezultacie zarządzanie zadaniami staje się kluczowe.
Zamiast traktować te kroki jako odizolowane od siebie, zadania ClickUp zapewniają system, w którym:
- Każdy krok staje się zadaniem, które można śledzić
- Każde zadanie jest przypisane do odpowiedniej osoby
- Postępy są widoczne w całym cyklu pracy
To nie wszystko. Każde zadanie jest również poparte kontekstem i ustrukturyzowanymi danymi, które zapewniają jego wykonanie.
- Pola niestandardowe mogą przechwytywać dane ustrukturyzowane, takie jak wersja modelu, źródło zbioru danych, wskaźniki oceny, typ wdrożenia lub częstotliwość ponownego szkolenia
- ClickUp Docs umożliwia przechowywanie dokumentacji wspierającej, takiej jak wytyczne dotyczące przygotowania danych, założenia modeli, notatki z eksperymentów lub instrukcje wdrażania
W ten sposób zadania, zamiast być niejasnymi pozycjami na liście, stają się w pełni osadzone w kontekście jednostkami pracy — jasnymi, przypisanymi i gotowymi do wykonania.
Nie kończy się to jednak tylko na śledzeniu zadań; zadania te nie są jednorazowymi działaniami. Są to ciągłe cykle pracy, które wymagają nieustannie pewnego poziomu powtarzalnych czynności ręcznych.
Na przykład:
- Jeśli dokładność modelu spadnie poniżej ustalonego progu, należy wyznaczyć osobę odpowiedzialną za ponowne szkolenie modelu
- Jeśli OpenScale wykryje odchylenie, alert ten musi zostać przekształcony w zadanie z jasno określonym właścicielem
- Jeśli wdrożenie nie powiedzie się podczas testowania, należy je szybko zarejestrować, przypisać i rozwiązać
ClickUp Automatyzacje idzie o krok dalej, eliminując ręczne przekazywanie zadań między tymi cyklami pracy poprzez uruchamianie automatycznych działań na podstawie z góry określonych warunków.
W przypadku przesłania nowego zbioru danych automatycznie tworzone jest zadanie walidacji i przypisywane do analityka danych. Po oznaczeniu go jako „Gotowe” zadanie szkolenia modelu jest automatycznie przypisywane do inżyniera ds. uczenia maszynowego. Po zakończeniu szkolenia uruchamiany jest wyzwalacz zadania wdrożenia dla specjalisty ds. operacji ML.
W ten sposób każdy krok płynnie przechodzi w następny bez konieczności ręcznego przekazywania zadań. Zadania są automatycznie tworzone, przypisywane i wzbogacane o kontekst, dzięki czemu cały cykl pracy przebiega płynnie, bez przerw.
Przykłady zastosowań analizy predykcyjnej dla Teams
Oto najczęstsze sposoby wykorzystania analizy predykcyjnej przez zespoły:
- Prognoza popytu : Prognozuje popyt na produkty w nadchodzącym kwartale, dzięki czemu zespół operacyjny może odpowiednio wcześnie uzupełnić zapasy i uniknąć niedoborów
- Prognozowanie odejść klientów : Ocenia obecnych klientów pod kątem prawdopodobieństwa odejścia i kieruje konta wysokiego ryzyka do cykli pracy utrzymania klientów
- Ocena ryzyka projektów : Oznacza projekty, które mogą nie dotrzymać terminów na podstawie ich historycznych wzorców, takich jak zmiany zakresu
- Prognozowanie potencjału sprzedaży : Przewiduje, które transakcje mają szansę zostać sfinalizowane, i zapewnia zespołom ds. przychodów wiarygodną prognozę
- Prognozowanie incydentów IT : Identyfikuje elementy infrastruktury, które mogą ulec awarii, na podstawie wzorców w logach
W tym wszystkim należy pamiętać, że wartość tych prognoz wzrasta wielokrotnie tylko wtedy, gdy wyniki są przekazywane bezpośrednio do narzędzi, w których Twój zespół już realizuje decyzje, na które one wpływają.
🎯 Nasza sugestia: Przenieś te wnioski do zintegrowanego obszaru roboczego AI, takiego jak ClickUp.
Dzięki ClickUp nie tylko zarządzasz cyklami pracy szkolenia modeli. Prowadzisz również codzienne operacje w tym samym miejscu, dzięki czemu prognozy mogą bezpośrednio być wyzwalaczami rzeczywistych działań w różnych zespołach.
- W przypadku marketingu prognozowanie segmentów o wysokim poziomie intencji może automatycznie generować zadania kampanii
- W przypadku sprzedaży wyniki oceny potencjalnych klientów mogą przekształcić się w priorytetowe zadania związane z kontaktowaniem się z nimi
- W przypadku działalności operacyjnej prognozy ryzyka (takie jak utrata klientów lub awarie) mogą być wyzwalaczem działań następczych lub interwencji
Każdy zespół może zorganizować własne cykle pracy w ramach zadań ClickUp, tak jak robi to Twój zespół ML w przypadku szkolenia i wdrażania. To ten sam system, tylko różne zastosowania.
Ale to nie wszystko. Dzięki pulpitom nawigacyjnym ClickUp możesz:
- Wizualizuj wnioski predykcyjne (np. segmenty wysokiego ryzyka vs segmenty niskiego ryzyka)
- Śledź postępy zadań utworzonych na podstawie tych wniosków w różnych zespołach
- Monitoruj obciążenie pracą w różnych zespołach
- Zobacz, jak prognozy przekładają się na rzeczywiste wyniki
Wystarczy wybrać preferowany widżet, niezależnie od tego, czy są to wykresy słupkowe, kołowe, liniowe czy wskaźniki postępu. Dzięki temu model nie będzie ograniczony do jednego narzędzia, a jego wdrożenie do innego — wszystko pozostaje połączone w jednym miejscu.
Twoje wnioski nie tylko stanowią podstawę decyzji; one są wyzwalaczem decyzji, są przypisywane, podlegają śledzeniu i faktycznie są zrobione.
💡 Porada dla profesjonalistów: Możesz używać ClickUp Brain jako wbudowanego asystenta AI w całym swoim obszarze roboczym ClickUp.
Nie jest to osobne narzędzie; to warstwa inteligencji wewnątrz Twojego obszaru roboczego ClickUp, co oznacza, że ma już kontekst dla Twoich zadań, danych i cykli pracy.
Zamiast więc tylko prowadzić śledzenie zadań, masz asystenta AI, który pracuje u Twojego boku, pomagając Ci zrozumieć, co się dzieje, i szybciej realizować kolejne zadania do zrobienia.
Na przykład możesz zrobić wzmiankę o Brainie w komentarzu do zadania, tak jak zrobiłbyś to w przypadku kolegi z zespołu, i zapytać:
- „Podsumuj najnowszy raport dotyczący odchyleń i zaznacz, na co należy zwrócić uwagę”.
- „Co zmieniło się w wydajności naszego modelu w ciągu ostatnich 30 dni?”
Wykorzysta dane z Twojego obszaru roboczego i udzieli jasnej, natychmiastowej odpowiedzi. Może również generować zadania dla Ciebie. Możesz poprosić go o:
- Napisz krótką informację dla interesariuszy, wyjaśniającą, dlaczego model został ponownie wdrożony
- Opracuj plan ponownego szkolenia w oparciu o ostatnie spadki wydajności
- Stwórz listę kontrolną do walidacji nowego zbioru danych przed szkoleniem
Ponieważ ClickUp oferuje zintegrowany obszar roboczy, Twój zespół nie musi już korzystać z oddzielnych narzędzi do komunikacji i realizacji zadań.
Wszystkie rozmowy mogą odbywać się bezpośrednio w czacie ClickUp, niezależnie od tego, czy chodzi o omówienie spadku dokładności modelu, sprawdzenie zgłoszonego alertu o odchyleniu, czy też podjęcie decyzji o kolejnych krokach po nieudanym wdrożeniu.
Co jednak ważniejsze, te rozmowy nie pozostają bez echa.
Aby dyskusje prowadziły do konkretnych działań, użyj funkcji „Przypisz komentarze”. W trakcie każdej rozmowy możesz przypisać wiadomość do konkretnego członka zespołu, natychmiast przekształcając ją w jasny element do wykonania.
Dzięki temu rozmowy nie giną w gąszczu innych spraw ani nie kończą się stwierdzeniem „powinniśmy to zrobić”, lecz stają się zadaniami, które są faktycznie realizowane i śledzone od początku do końca — wszystko w ramach czatu ClickUp.
🎥 Aby lepiej zrozumieć szeroki zakres zastosowań AI w biznesie, obejrzyj ten przegląd rzeczywistych przypadków użycia AI, które pokazują, w jaki sposób organizacje wykorzystują AI w różnych funkcjach i branżach. ✨
Ograniczenia związane z wykorzystaniem IBM Watsonx do analizy predykcyjnej
Każde narzędzie ma swoje wady i zalety, a Watsonx nie jest tu wyjątkiem. Jest to potężne narzędzie, ale przed podjęciem decyzji o wdrożeniu platformy należy wziąć pod uwagę następujące limity:
- Krzywa uczenia się: Konfiguracja przestrzeni wdrożeniowych i monitorów zarządzania nadal wymaga dobrego zrozumienia koncepcji platformy chmurowej, więc rozwiązanie to może nie być odpowiednie, jeśli Twój zespół nie ma jeszcze dużego doświadczenia w zakresie narzędzi chmurowych lub infrastruktury.
- Ręczne zarządzanie danymi : Platforma nie automatyzuje najtrudniejszej części procesu czyszczenia i strukturyzowania surowych danych, co oznacza, że Twój zespół nadal musi ręcznie przetworzyć ogromną część danych, zanim będzie można uzyskać wiarygodne wyniki
- Koszty obliczeniowe: Eksperymenty szkoleniowe i hostowanie wdrożeń na żywo w IBM Watsonx są rozliczane na podstawie rzeczywistego wykorzystania, więc w przypadku rosnącego obciążenia pracą zasoby chmury mogą być szybko zużywane w miarę skalowania, co wiąże się z wyższymi kosztami
- Integracja z cyklem pracy: Realizacja działań na podstawie prognoz wymaga połączenia z zewnętrznymi narzędziami do zarządzania projektami
- Złożoność zarządzania : Konfiguracja monitorów sprawiedliwości i dryftu wymaga wielu kroków, co może być uciążliwe dla mniejszych zespołów
Ograniczenia te po prostu wskazują, gdzie konieczne jest zastosowanie narzędzi uzupełniających. Dotyczy to zwłaszcza etapu działania w procesie prognozowania.
📮 ClickUp Insight: 88% respondentów naszej ankiety korzysta z AI do zadań osobistych, jednak ponad 50% unika jej stosowania w pracy. Jakie są trzy główne przeszkody? Brak płynnej integracji, luki w wiedzy lub obawy dotyczące bezpieczeństwa.
A co, jeśli sztuczna inteligencja jest wbudowana w Twój obszar roboczy i jest już bezpieczna? ClickUp Brain, wbudowany asystent AI ClickUp, sprawia, że staje się to rzeczywistością. Rozumie podpowiedzi w języku potocznym, rozwiązując wszystkie trzy problemy związane z wdrażaniem AI, jednocześnie tworząc połączenie między czatem, zadaniami, dokumentami i wiedzą w całym obszarze roboczym. Znajdź odpowiedzi i spostrzeżenia jednym kliknięciem!
Alternatywne narzędzia AI do analizy predykcyjnej
Watsonx nie jest jedyną opcją na rynku w zakresie modelowania predykcyjnego. W zależności od Twojej wiedzy technicznej inne platformy mogą lepiej pasować do Twojego środowiska. Poniższa tabela zawiera ich porównanie.
| Narzędzie | Najlepsze rozwiązanie dla | Kluczowy czynnik wyróżniający |
| IBM Watsonx | Enterprise teams needing controlled and auditable AI | AutoAI + wbudowane funkcje zarządzania i monitorowania odchyleń |
| Google Vertex AI | Teams już korzystające z Google Cloud | Ścisła integracja z usługami BigQuery i GCP |
| Azure Machine Learning | Organizacje w ekosystemie Microsoft | Natywne połączenie z Power BI i Azure DevOps |
| Amazon SageMaker | Teams korzystające z AWS, dysponujące zasobami inżynierii uczenia maszynowego | Szeroka biblioteka algorytmów i elastyczne środowisko notebooków |
| DataRobot | Analitycy biznesowi, którzy chcą w pełni zautomatyzowanego uczenia maszynowego | Kompleksowa automatyzacja z domyślnymi ustawieniami zapewniającymi wysoką wyjaśnialność |
| ClickUp Brain | Zespoły, które potrzebują wniosków opartych na AI wbudowanych bezpośrednio w cykle pracy związane z projektami | Sztuczna inteligencja rozpoznająca kontekst, która działa w różnych zadaniach, dokumentach i pulpitach nawigacyjnych bez konieczności zmiany narzędzi |
📮 ClickUp Insight: Przełączanie się między zadaniami po cichu obniża wydajność Twojego zespołu. Nasze badania pokazują, że 42% zakłóceń w pracy wynika z konieczności przełączania się między platformami, zarządzania wiadomościami e-mail i biegania między spotkaniami. A gdybyś mógł wyeliminować te kosztowne przerwy?
ClickUp łączy Twoje cykle pracy (i czat) w ramach jednej, usprawnionej platformy. Uruchamiaj zadania i zarządzaj nimi z poziomu czatu, dokumentów, tablic i nie tylko — a funkcje oparte na AI zapewniają połączenie kontekstu, możliwość wyszukiwania i łatwość zarządzania!
Nie ograniczaj się do prognozowania — realizuj zadania dzięki ClickUp
Wykorzystanie IBM Watsonx do analizy predykcyjnej przebiega według jasnej ścieżki, od przygotowania danych po monitorowanie odchyleń, ale to najprostsza część. Prawdziwa praca polega na upewnieniu się, że te prognozy faktycznie zmieniają sposób pracy Twojego zespołu.
Prognozy, które pozostają na pulpitach nawigacyjnych i nikt ich nie sprawdza, to po prostu zmarnowana moc obliczeniowa, a zespoły, które czerpią rzeczywistą wartość, tworzą połączenia między wynikami swoich modeli a cyklami pracy poprzez automatyczne alerty i zmiany priorytetów zadań.
Jeśli chcesz mieć jedno miejsce, w którym spójnie współistnieją wnioski oparte na AI, realizacja projektów i komunikacja zespołowa, zacznij korzystać z ClickUp już dziś za darmo. ✨
Często zadawane pytania
Jest to korporacyjna platforma danych i AI służąca do tworzenia, szkolenia i wdrażania modeli uczenia maszynowego. Teams wykorzystują ją do zarządzania swoimi magazynami danych typu data lakehouse oraz monitorowania zarządzania AI z poziomu jednego środowiska chmury.
AutoAI to narzędzie typu „no-code”, które automatycznie analizuje dane tabelaryczne w celu wybrania najlepszych algorytmów uczenia maszynowego. Tworzy funkcje i klasyfikuje potencjalne modele w rankingu, dzięki czemu można wdrożyć najdokładniejszą opcję.
Platforma wymaga solidnej znajomości koncepcji chmury obliczeniowej, aby skonfigurować przestrzenie wdrożeniowe i monitory zarządzania. Nie automatyzuje również ręcznego procesu czyszczenia i porządkowania surowych danych przed ich przesłaniem.