Crie fluxos para analisar e prever dados em tempo real

Resumo

Não existe um produto que atraia todos os clientes potenciais. De que forma aqueles que estão oferecendo o produto podem saber qual a probabilidade de um cliente potencial comprar o produto? Nesse padrão, reunimos um conjunto de dados relacionado aos clientes e, com base nisso, prevemos se o cliente comprará o produto oferecido. Tudo isso ocorrerá em tempo real em um painel para ajudar o varejista a entender melhor que tipo de cliente deve ser focado para obter o máximo de vendas do produto.

Descrição

Consideraremos o caso de uso de um banco que vende um empréstimo pessoal aos clientes e prevê se o cliente aceitará o empréstimo oferecido ou não. Codificaremos o modelo de aprendizado de máquina em um Jupyter Notebook no Watson Studio e implementaremos o modelo no Watson Machine Learning. Em seguida, projetaremos um fluxo no Watson Studio com um nó de entrada que insere os dados de várias origens, como chamadas da API de REST, eventos de fluxos de um broker do Kafka, fluxos de eventos do IBM®, do broker MQTT, da plataforma de dispositivo Watson IoT™, entre outros, que serão transmitidos como entrada para o próximo nó que é o modelo Python chamado pelo Watson Machine Learning. As previsões e os vários recursos que afetam a previsão serão revisados como entradas que, em seguida, serão armazenadas no IBM Cloud Object Storage como um arquivo csv. A execução de uma instância do Streaming Analytics associada ao fluxo será iniciada assim que o fluxo for implementado, e os dados ativos e as previsões poderão ser monitorados no painel do IBM Streaming Analytics em tempo real.

Fluxo

fluxo

  1. Criar uma API de REST com Python e implementá-la no serviço Cloud Foundry. A chamada dessa API retorna um JSON com valores de atributo aleatórios do conjunto de dados externo. Assim, ele simula dados em tempo real.
  2. Criar uma instância do Watson Studio e uma instância do Watson Machine Learning no IBM Cloud.
  3. Criar um novo Jupyter Notebook no Watson Studio e executar as células para treinar, testar, obter precisão e implementar o modelo no Watson Machine Learning.
  4. Quando a origem de dados em tempo real e o modelo de aprendizado de máquina estiverem prontos, o fluxo poderá ser criado. Criar um novo fluxo no Watson Studio.
  5. Criar um fluxo com a entrada como a API de REST e o processamento de dados pelo modelo do Watson Machine Learning implementado e salvar a saída em um arquivo csv no Cloud Object Storage.
  6. Iniciar o painel do Streaming Analytics e visualizar os dados em tempo real.

Instruções

Encontre as etapas detalhadas desse padrão no arquivo leia-me. As etapas mostrarão como:

  1. Clonar o repositório
  2. Implementar a API
  3. Criar o Watson Services
  4. Executar o Jupyter Notebook e implementar o modelo de ML
  5. Criar o serviço do IBM Streaming Analytics
  6. Criar o Fluxo no Watson Studio
  7. Visualizar o Painel de Fluxos