IBM Cloud: Watson Studio: Modelli di Machine learning automatici e Dashboard con cognos analytics

Questo articolo fa parte di una serie scritta in collaborazione con Raoul Alfredo Rocher e Massimo Loaldi. Come IT Solution Architect in ambito Cloud e Intelligenza artificiale vogliamo proporvi alcune brevi review per facilitare l'uso e l'adozione di tecnologie emergenti e innovative.

Come spiegato nell’articolo relativo ai moduli di intelligenza artificiale di IBM, Watson non è altro che un servizio di intelligenza artificiale, suddiviso in moduli. Ogni servizio di Watson è responsabile di un dominio specifico di intelligenza artificiale. Essi sono moduli componibili ed integrabili tra loro all’interno di soluzioni esistenti.

Requisito necessario per il proseguo della lettura e per la creazione delle risorse è essere in possesso dell’account IBM Cloud. Se non si disponesse dell’account seguire il tutorial per la creazione di un free account.

Nello specifico quest’oggi continueremo il discorso iniziato nei precedenti articoli riguardanti Watson studio (Overview e Data Refining, Python — R e SPSS Modeler).

Negli articoli precedenti è stato istanziato il servizio di Watson studio, spiegato il funzionamento generale, collegato un database di esempio, eseguito il processo di data refining, creato un notebook in python ed un notebook in R, creato un flusso con SPSS Modeler. Oggi toccheremo il tema dello sviluppo di modelli predittivi automatici, con il tool di Auto AI e andremo a generare una dashboard con Cognos Analytics.

Entrando in un progetto già esistente in watson studio (In alternativa nell’articolo precedente è indicato come istanziare il servizio di watson studio e creare un progetto da zero) rechiamoci nella pagina asset in alto (come nell’immagine sottostante - Figura 1 ).


No alt text provided for this image

In questa sezione di un progetto di Watson Studio vengono indicati tutti gli asset del nostro progetto.

Gli asset più importanti sono:

  • Dati: Import di dati tramite file oppure collegamento di database esterni.
  • Notebook: Inserimento di notebook in linguaggio Python oppure R.
  • Dashboard: Dashboard interattive sviluppate sui dati importati tramite Cognos analytics (Oggetto dei prossimi articoli).
  • Flussi Modeler: Flusso di Spss Modeler.
  • Modelli: modelli di machine learning sviluppati
  • Auto AI: Esperimenti di Auto AI.

Quest’oggi ci concentreremo su due asset principali: Auto AI e Dashboard.

L’approccio di uno sviluppatore è certamente quello di istanziare un notebook in Python oppure in R ed iniziare a scrivere linee di codice. Lo scorso articolo abbiamo visto come semi-automatizzare la creazione di modelli statistici e matematici con il tool visuale SPSS Modeler. La features AutoAI invece automatizza in modo completo la creazione di un modello di machine learning. Il modello di AutoAI prende in input il dataset di partenza, il tipo di analisi che deve eseguire (classificazione o regressione).

Vediamo proprio un esempio di costruzione di un algoritmo di classificazione binaria, il dataset di partenza è il dataset pubblico customer churn, disponibile su www.kaggle.com.

La prima operazione da eseguire dopo essersi recati nel progetto e nella tab assets è pigiare il pulsante in alto a destra “Aggiungi al progetto” e successivamente AutoAI experiment. Selezionare il runtime di watson machine learning desiderato (in termini di capacità computazionale) (Watson machine learning garantisce una soglia di gratuità mensile) e creare l’esperimento.

No alt text provided for this image

Per prima cosa aggiungere il dataset selezionandolo dagli asset già presenti in watson studio, successivamente selezionare la colonna da prevedere (Churn).

Questi 4 click bastano per poter eseguire l’esperimento di AutoAI, ove si voglia modificare alcuni parametri recarsi nelle impostazioni per modificare lo split train e test, selezionare le colonne da usare come predittori (di default sono tutte), selezionare quali indici statistici l’algoritmo dovrà tenere in considerazione (Di default: precision, recall, ROC, F1, Log-loss). Infine, selezionare esegui esperimento ed attendere la compilazione.

No alt text provided for this image

Dopo circa 15 minuti (questo tempo dipende dal quantitativo di dati in input) l’autoAI genera i top 4 modelli che classificano meglio il dataset.

Cliccando su uno dei 4 modelli è possibile ottenere tutte le informazioni specifiche tra cui:

  • Indici statistici
  • Confusion Matrix
  • Features importance (quanto ogni predittore influisce sulla variabile target)
No alt text provided for this image

Se il modello è di nostro gradimento è possibile farne il deploy one click su watson machine learning, oppure è possibile generare il codice Scikit-learn in un notebook python.

AutoAI è uno strumento potentissimo, fondamentale per ogni data scientist da utilizzare anche come benchmark rispetto ad un modello sviluppato custom.

Link di approfondimento AutoAI:

Vediamo ora cosa possiamo fare con IBM Cognos Analytics, una potente piattaforma di business intelligence, integrata come asset direttamente dentro Watson Studio.

Prima di procedere alla creazione di una dashboard abbiamo bisogno di immettere dati in Watson Studio per creare gli assets che saranno la sorgente della nostra dashboard. Nell’esempio della figura sottostante, abbiamo importato un file “telcoChurn.csv” laddove avremmo anche potuto creare una connessione con un database.

Dopo avere importato il file, abbiamo rifinito l’asset creando un data refinery flow, cioè abbiamo apportato delle modifiche all’asset originario per migliorarne le prestazioni in fase di visualizzazione dei grafici nella dashboard. Abbiamo infatti rimosso colonne superflue per l’analisi, abbiamo creato delle nuove colonne sulla base di dati contenuti nell’asset (ad esempio aggiunto la colonna ‘quadrimestre’ calcolata sulla base della data del contratto), ed apportato altre modifiche.

Eseguendo il flusso di refinery, il nostro Watson Studio ci ha creato l’asset “telcoChurn_shaped.csv”, che sarà la sorgente per la nostra dashboard.

No alt text provided for this image

A questo punto è fondamentale rispondere alle domande:

1. Che tipo di utenti vedranno la mia dashboard?

2. Quali informazioni sono importanti per questi utenti?

Quando abbiamo chiaro in mente come vogliamo disegnare la nostra dashboard e quali grafici vogliamo creare per visualizzare le informazioni a cui sono interessati i nostri utenti, provvederemo a selezionare “aggiungi servizi” per aggiungere “dashboard” al nostro progetto di Watson Studio.

No alt text provided for this image

Ci verrà poi chiesto di indicare il nome della dashboard e di associare il servizio dashboard abilitato (figura 7).

No alt text provided for this image

Successivamente sceglieremo se creare una dashboard compresa di una o più sezioni o se piuttosto vogliamo visualizzare i nostri grafici in un formato di infografica (figura 8).

No alt text provided for this image

Ora è il momento di creare, e scopriamo subito che è divertente e molto intuitivo … i grafici possono essere creati in brevissimo tempo.

Basta indicare i valori che vogliamo immettere nel grafico, la tipologia dello stesso, qualche proprietà per migliorane la grafica, ed il gioco è fatto.

In 5–10 minuti potrete avere la vostra dashboard comprensiva di tutti i grafici utili per dare le informazioni di cui i vostri utenti necessitano (figura 9).

Fig 9

Ora non vi resta che condividere il vostro capolavoro con i vostri utenti (figura 10).

IBM Cognos Analytics vi da la possibilità non solo di analizzare dati e di visualizzarli in dashboards interattive, ma anche e soprattutto di comunicare le informazioni in modo dinamico; evidenziando ciò che è di maggiore interesse in maniera interattiva ed avvincente.

No alt text provided for this image

Se si volessero seguire ulteriori approfondimenti tecnici recarsi direttamente al link: https://cloud.ibm.com/catalog/services/ibm-cognos-dashboard-embedded

Tutti i nostri articoli li trovate qui:



To view or add a comment, sign in

Explore topics