开源技术 * IBM 微讲堂:Kubeflow 系列(观看回放 | 下载讲义) 了解详情

使用 IBM Watson AutoAI 进行机器学习:将模型 API 连接到 Web 应用程序

关于本视频

在有关使用 IBM® Watson™ AutoAI 来试验、自动执行和部署机器学习模型的三部分视频系列的最后一部分(即本部分)中,了解如何将模型 API 连接到 Web 应用。

第 1 部分介绍了数据探索和数据可视化。第 2 部分描述了如何运行 Watson AutoAI。演示视频将它们全部联系在一起。

本视频的文字记录

在上一个视频中,我们创建了一个 AutoAI 实验,该实验针对“均方根差”这个指标运行了八个不同的管道。我们对这些管道进行了排名并找出了表现最佳的管道,然后将其另存为一个模型。在本视频中,我们将开始部署该模型,然后对其进行测试。我们可以在 Watson Studio 界面中全面测试该模型。

在确保其正常运行后,可以开始连接并使用一些 API 凭证(例如 API 密钥、部署 ID 和模型 ID)。我们将在 Flask 应用程序中使用该模型,然后使用该 API 连接从 Watson Studio 和已部署的机器学习模型中获取信息。我们将单击 deployments 选项卡中的 add deployment here,然后输入 YouTube deploy。您会看到它是一项 Web Service,并且它正在初始化。

我们将单击此服务。此操作仍然需要几秒钟,所以我会在一两分钟后回来。好了,已经过去了几分钟,现在我们可以开始测试该模型了。我们只需确保它可以正常运行即可。所以,为它提供一个吸烟者。大约是一万六千。这样看起来就对了。现在,我们已经测试了该模型,可以开始实施该模型了。我们将展示如何链接您在第一个视频中看到的 Web 应用程序。

现在,我们已经部署了该模型,我将展示使用 Watson Machine Learning 服务实际实施该模型有多么容易。单击这个 implementation 选项卡。但首先,让我们开始实际克隆此代码存储库。只需复制即可。我将在 Vscode 中启动一个新窗口。创建目录 youtube-autoai,然后进行 git 克隆。现在,我们已经有了 Web 应用程序部分,只需获取机器学习实例 ID 即可。可以在此处找到部署 ID。我们将在此处添加该部署 ID。进行保存,然后我们需要在此处做几件事。

我们需要一个不记名令牌。但首先需要获取机器学习实例 ID。因此,我们将复制此选项卡,然后返回到 IBM Cloud。您将需要查找该服务。现在,我们将查找与 AutoAI 实验相关的机器学习服务。我们在此处提供了 API 密钥和实例 ID。首先我们将获取实例 ID,接下来只需完成此不记名访问令牌即可。我们在此处提供了脚本,因此,如果您执行到第 7 步,便可以通过该步骤来生成此访问令牌。

我们在此处仅提供了此 curl 请求,我们还为 Windows™ 用户提供了一些命令。在该 API 密钥 (1234579) 中,我们将获取 API 密钥。我们将从与 AutoAI 实验相关的 Watson Machine Learning 实例中获取 API 密钥。将其粘贴到此处,然后点击 Enter 键。我们将得到一个长字符串,该令牌的有效期为 1 个小时,我们将复制并粘贴引号内的整个字符块。

我们将其粘贴到此处。注意粘贴位置。您需要确保它在引号内,这应该很好操作。如果我们进入此处,请进入 web app 目录。注意,我们正在运行 Python 302,因此已经对其进行了测试。只需运行一些项即可安装必备软件。只需运行此 pip3 install 命令即可。现在,只需完成 Flask 运行即可,您应该已启动并运行了保险估算器。我们来快速试用一下。

做得不错!

您会看到它正在运行,如果我们单击 yes,您将获得更大的费用。我们在此视频中学会了如何在 Watson Studio 中部署模型。随后,我们在 Watson Studio 中测试了该模型。然后,我们获取了所有这些 API 凭证,展示了如何实施此模型并将 Flask 应用程序连接到这个已部署的机器学习模型。当然,也可以使用其他数据集来完成此任务,但我只想向您展示,您可以在 20 分钟内实现一个不错的已部署模型和一个简单的前端用户界面(用于与该模型进行对话并获得预测)。希望这对您有所帮助。如果您觉得有帮助,请给我点个赞,我一定会为大家提供更多的 AI 和机器学习内容。

非常感谢!

本文翻译自:Machine learning with IBM Watson AutoAI: Connecting the model API to a web app(2020-06-02)