第5章 次のステップ

OpenShift AI チュートリアル - 不正検出の例

不正検出モデルの例を使用して次のタスクを完了するための詳細なガイダンスです。

データサイエンス IDE での作業

ワークベンチ IDE (JupyterLab、コードサーバー、または RStudio Server) にアクセスする方法を説明しています。

JupyterLab IDE に関しては、次のタスクを説明しています。

データサイエンスパイプラインの使用

Docker コンテナーを使用して、データサイエンスパイプラインを備えたポータブル機械学習 (ML) ワークフローを構築することで、OpenShift AI でデータサイエンスプロジェクトを強化できます。パイプラインを使用して、新しく受信したデータに基づいてモデルを継続的に再トレーニングおよび更新します。

モデルのデプロイ

ML モデルを OpenShift クラスターにデプロイしてテストし、インテリジェントアプリケーションに統合します。モデルをデプロイすると、API 呼び出しを使用してアクセスできるサービスとして利用できるようになります。API 呼び出しを通じて提供されたデータ入力に基づいて予測を返すことができます。

モデルのデプロイ

Red Hat OpenShift AI サービスには、外部アプリケーションに統合するために Red Hat OpenShift Dedicated または Red Hat OpenShift Service on AWS でモデルをホストするためのモデルデプロイメントオプションが含まれています。

アクセラレーターの使用

大規模なデータセットを扱う場合は、NVIDIA GPU、AMD GPU、Intel Gaudi AI アクセラレーターなどのアクセラレーターを使用して、OpenShift AI のデータサイエンスモデルのパフォーマンスを最適化できます。アクセラレーターを使用すると、作業を拡張し、待ち時間を短縮し、生産性を向上させることができます。

分散ワークロードの使用

分散ワークロードを実装して複数のクラスターノードを並行して使用し、より高速で効率的なデータ処理とモデルトレーニングを実現します。

接続されたアプリケーションの使用

サードパーティーアプリケーション統合を使用して、中核的な OpenShift AI ソリューションを拡張します。Starburst、Intel AI Tools、IBM などの主要な AI/ML ソフトウェアテクノロジーパートナーを、Red Hat Marketplace を通じて利用することもできます。