0 / 0
Go back to the English version of the documentation
Příklad rozhraní REST API
Last updated: 02. 11. 2023
Decision Optimization Implementace rozhraní REST API

Můžete implementovat model Decision Optimization , vytvořit a monitorovat úlohy a získat řešení pomocí rozhraní REST API produktu Watson Machine Learning.

Než začnete

Musíte mít účet IBM Cloud. Viz https://www.ibm.com/cloud/.
  1. Přihlaste se k produktu IBM Cloud.
  2. Vytvořte klíč rozhraní API. Zkopírujte jej nebo jej stáhněte z otevřeného okna Klíč rozhraní API úspěšně vytvořen (po zavření tohoto podokna k němu již nebudete mít přístup).
  3. Vytvořte nebo vyberte Služba Machine Learning. Zkopírujte název instance služby, GUID a CRN z podokna informací pro vaši instanci v zobrazení Seznam prostředků>Služby v produktu IBM Cloud. (Rozbalit seznam služeb v okně Seznam prostředků. Klepněte kdekoli v řádku vedle názvu služby Machine Learning , nikoli však na název samotný. Tím se otevře informační podokno ve stejném okně.)
  4. Vytvořte nebo vyberte Cloud Object Storage. Zkopírujte název instance Cloud Object Storage a CRN z podokna informací z podokna informací pro vaši instanci v zobrazení Seznam prostředků>Úložiště na IBM Cloud.
Musíte také vytvořit prostor implementace a získat ID prostoru pomocí jedné z těchto metod:

O této úloze

Následující kroky ukazují, jak implementovat model Decision Optimization pomocí rozhraní REST API Watson Machine Learning. Příklad rozhraní REST API používá curl, nástroj příkazového řádku a knihovnu pro přenos dat se syntaxí adresy URL. Můžete si stáhnout curl a přečíst si o něm více na adrese http://curl.haxx.se. Další informace o rozhraních REST API, která jsou důležitá pro Decision Optimization, naleznete v následujících sekcích:

Pro uživatele systému Windows použijte znak ^ namísto znaku \ pro víceřádkový oddělovač a dvojité uvozovky " v těchto příkladech kódu. Uživatelé systému Windows musí také použít odsazení alespoň jedné mezery v řádcích záhlaví.

V zájmu přehlednosti byly některé příklady kódu v tomto postupu umístěny do souboru json , aby byly příkazy čitelnější a snáze se používaly.

Jakmile vytvoříte implementaci pomocí rozhraní REST API, můžete ji také zobrazit a odeslat do ní úlohy ze stránky Prostor implementace v uživatelském rozhraní produktu https://dataplatform.cloud.ibm.com .

Postup

  1. Vygenerujte token IAM pomocí klíče rozhraní API IBM Cloud , jak je uvedeno níže.
    curl "https://iam.bluemix.net/identity/token" \
  -d "apikey=YOUR_API_KEY_HERE&grant_type=urn%3Aibm%3Aparams%3Aoauth%3Agrant-type%3Aapikey" \
  -H "Content-Type: application/x-www-form-urlencoded" \
  -H "Authorization: Basic Yng6Yng="
    Příklad výstupu:
    {
   "access_token": "****** obtained IAM token ******************************",
   "refresh_token": "**************************************",
   "token_type": "Bearer",
   "expires_in": 3600,
   "expiration": 1554117649,
   "scope": "ibm openid"
}

    Ve všech voláních rozhraní API použijte získaný token (hodnota přístupového tokenu), před který je uvedeno slovo Bearer v záhlaví Authorization , a Machine Learning service GUID v záhlaví ML-Instance-ID .

  2. Volitelné: Pokud jste nezískali SPACE-ID z uživatelského rozhraní, jak bylo popsáno výše, můžete vytvořit prostor pomocí rozhraní REST API následujícím způsobem. Použijte dříve získaný token, před který je uvedeno slovo bearer v záhlaví Authorization ve všech voláních rozhraní API.
    curl --location --request POST \
  "https://api.dataplatform.cloud.ibm.com/v2/spaces" \
  -H "Authorization: Bearer TOKEN-HERE" \
  -H "ML-Instance-ID: MACHINE-LEARNING-SERVICE-GUID-HERE" \
  -H "Content-Type: application/json" \
  --data-raw "{
  "name": "SPACE-NAME-HERE",
  "description": "optional description here",
  "storage": {
      "resource_crn": "COS-CRN-ID-HERE"
  },
  "compute": [{
    "name": "MACHINE-LEARNING-SERVICE-NAME-HERE",
    "crn": "MACHINE-LEARNING-SERVICE-CRN-ID-HERE"
  }]
}"
    Pro uživatele systému Windows zadejte příkaz --data-raw na jeden řádek a nahraďte vše " za \" uvnitř tohoto příkazu takto:
    curl --location --request POST ^
  "https://api.dataplatform.cloud.ibm.com/v2/spaces" ^
  -H "Authorization: Bearer TOKEN-HERE" ^
  -H "ML-Instance-ID: MACHINE-LEARNING-SERVICE-GUID-HERE" ^
  -H "Content-Type: application/json" ^
  --data-raw "{\"name\": "SPACE-NAME-HERE",\"description\": \"optional description here\",\"storage\": {\"resource_crn\": \"COS-CRN-ID-HERE\"  },\"compute\": [{\"name\": "MACHINE-LEARNING-SERVICE-NAME-HERE\",\"crn\": \"MACHINE-LEARNING-SERVICE-CRN-ID-HERE\"  }]}"
    Případně umístěte data do samostatného souboru.
    V poli id sekce metadata je vráceno SPACE-ID .

    Příklad výstupu:

    {
  "entity": {
    "compute": [
      {
        "crn": "MACHINE-LEARNING-SERVICE-CRN",
        "guid": "MACHINE-LEARNING-SERVICE-GUID",
        "name": "MACHINE-LEARNING-SERVICE-NAME",
        "type": "machine_learning"
      }
    ],
    "description": "string",
    "members": [
      {
        "id": "XXXXXXX",
        "role": "admin",
        "state": "active",
        "type": "user"
      }
    ],
    "name": "name",
    "scope": {
      "bss_account_id": "account_id"
    },
    "status": {
      "state": "active"
    }
  },
  "metadata": {
    "created_at": "2020-07-17T08:36:57.611Z",
    "creator_id": "XXXXXXX",
    "id": "SPACE-ID",
    "url": "/v2/spaces/SPACE-ID"
  }
}

    Než budete pokračovat, musíte počkat na stav prostoru implementace "active" . Můžete se dotazovat a zkontrolovat to následujícím způsobem.

    curl --location --request GET "https://api.dataplatform.cloud.ibm.com/v2/spaces/SPACE-ID-HERE" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json"
  3. Vytvořit nový Decision Optimization model

    Všechny požadavky rozhraní API vyžadují parametr verze, který má datum ve formátu version=YYYY-MM-DD. Tento příklad kódu vystaví model, který používá soubor create_model.json. Adresa URL se bude lišit v závislosti na zvolené oblasti/umístění pro vaši službu strojového učení. Viz Adresy URL koncových bodů.

    curl --location --request POST \
  "https://us-south.ml.cloud.ibm.com/ml/v4/models?version=2020-08-01" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json" \
  -d @create_model.json
    Soubor create_model.json obsahuje následující kód:
    {
  "name": "ModelName",
  "description": "ModelDescription",
  "type": "do-docplex_22.1",
  "software_spec": {
    "name": "do_22.1"
  },
  "custom": {
      "decision_optimization": {
        "oaas.docplex.python": "3.10"
      }
  },
  "space_id": "SPACE-ID-HERE"
}

    Python je výslovně uvedena zde v bloku custom . Toto je volitelné. Bez něj bude váš model používat výchozí verzi, která je momentálně Python 3.10. Vzhledem k tomu, že se výchozí verze bude v průběhu času vyvíjet, uvedení verze Python vám výslovně umožní ji později snadno změnit nebo pokračovat v používání starší podporované verze při aktualizaci výchozí verze. Momentálně podporované verze jsou 3.10.

    Chcete-li být schopni spouštět úlohy pro tento model z uživatelského rozhraní, místo abyste používali pouze rozhraní REST API, musíte definovat schéma pro vstupní a výstupní data. Pokud nedefinujete schéma při vytváření modelu, můžete spouštět úlohy pouze pomocí rozhraní REST API, nikoli z uživatelského rozhraní.

    Můžete také použít schéma uvedené pro vstup a výstup ve vašem optimalizačním modelu:

    {
  "name": "Diet-Model-schema",
  "description": "Diet",
  "type": "do-docplex_22.1",
  "schemas": {
    "input": [
      {
        "id": "diet_food_nutrients",
        "fields": [
          { "name": "Food",  "type": "string" },
          { "name": "Calories", "type": "double" },
          { "name": "Calcium", "type": "double" },
          { "name": "Iron", "type": "double" },
          { "name": "Vit_A", "type": "double" },
          { "name": "Dietary_Fiber", "type": "double" },
          { "name": "Carbohydrates", "type": "double" },
          { "name": "Protein", "type": "double" }
        ]
      },
      {
        "id": "diet_food",
        "fields": [
          { "name": "name", "type": "string" },
          { "name": "unit_cost", "type": "double" },
          { "name": "qmin", "type": "double" },
          { "name": "qmax", "type": "double" }
        ]
      },
      {
        "id": "diet_nutrients",
        "fields": [
          { "name": "name", "type": "string" },
          { "name": "qmin", "type": "double" },
          { "name": "qmax", "type": "double" }
        ]
      }
    ],
    "output": [
      {
        "id": "solution",
        "fields": [
          { "name": "name", "type": "string" },
          { "name": "value", "type": "double" }
        ]
      }
    ]
  },
  "software_spec": {
    "name": "do_22.1"
  },
  "space_id": "SPACE-ID-HERE"
}
    Při vystavení modelu poskytnete informace o jeho typu modelu a specifikaci softwaru , která se má použít.
    Typy modelů mohou být například:
    • do-opl_22.1 pro modely OPL
    • do-cplex_22.1 pro modely CPLEX
    • do-cpo_22.1 pro modely CP
    • do-docplex_22.1 pro modely Python

    Verzi 20.1 lze také použít pro tyto typy modelů.

    Pro specifikaci softwarumůžete použít výchozí specifikace s použitím jejich názvů do_22.1 nebo do_20.1. Viz také zápisník Rozšíření specifikace softwaru , který ukazuje, jak rozšířit specifikaci softwaru Decision Optimization (běhová prostředí s dalšími knihovnami Python pro modely docplex).

    MODEL-ID je vráceno v poli id v metadata.

    Příklad výstupu:
    {
  "entity": {
    "software_spec": {
      "id": "SOFTWARE-SPEC-ID"
    },
    "type": "do-docplex_20.1"
  },
  "metadata": {
    "created_at": "2020-07-17T08:37:22.992Z",
    "description": "ModelDescription",
    "id": "MODEL-ID",
    "modified_at": "2020-07-17T08:37:22.992Z",
    "name": "ModelName",
    "owner": "***********",
    "space_id": "SPACE-ID"
  }
}
  4. Odeslání Decision Optimization formulace modelu připravena k implementaci.
    Nejprve zkomprimujte svůj model do souboru (tar.gz, .zip or .jar) a odešlete jej pro nasazení službou Watson Machine Learning .
    Tento příklad kódu odešle model s názvem diet.zip , který obsahuje model Python a žádná obecná data:
    curl --location --request PUT \
  "https://us-south.ml.cloud.ibm.com/ml/v4/models/MODEL-ID-HERE/content?version=2020-08-01&space_id=SPACE-ID-HERE&content_format=native" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/gzip" \
  --data-binary "@diet.zip"
    Tento příklad a další modely si můžete stáhnout z DO-samples. Vyberte příslušnou podsložku produktu a verze.
  5. Implementace modelu
    Vytvořte odkaz na svůj model. Použijte SPACE-ID, MODEL-ID získané při vytváření modelu připraveného k implementaci a specifikaci hardwaru. Například:
    curl --location --request POST "https://us-south.ml.cloud.ibm.com/ml/v4/deployments?version=2020-08-01" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json" \
  -d @deploy_model.json
    The deploy_model.json file contains the following code:
    {
  "name": "Test-Diet-deploy",
  "space_id": "SPACE-ID-HERE",
  "asset": {
    "id": "MODEL-ID-HERE"
  },
  "hardware_spec": {
    "name": "S"
  },
  "batch": {}
}
    DEPLOYMENT-ID je vráceno v poli id v souboru metadata. Příklad výstupu:
    {
  "entity": {
    "asset": {
      "id": "MODEL-ID"
    },
    "custom": {},
    "description": "",
    "hardware_spec": {
      "id": "HARDWARE-SPEC-ID",
      "name": "S",
      "num_nodes": 1
    },
    "name": "Test-Diet-deploy",
    "space_id": "SPACE-ID",
    "status": {
      "state": "ready"
    }
  },
  "metadata": {
    "created_at": "2020-07-17T09:10:50.661Z",
    "description": "",
    "id": "DEPLOYMENT-ID",
    "modified_at": "2020-07-17T09:10:50.661Z",
    "name": "test-Diet-deploy",
    "owner": "**************",
    "space_id": "SPACE-ID"
  }
}
  6. Po implementaci můžete monitorovat stav implementace vašeho modelu. Použijte DEPLOYMENT-ID.
    Například:
    curl --location --request GET "https://us-south.ml.cloud.ibm.com/ml/v4/deployments/DEPLOYMENT-ID-HERE?version=2020-08-01&space_id=SPACE-ID-HERE" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json"

    Příklad výstupu:

  7. Pak můžete Odeslat úlohy pro implementovaný model definující vstupní data a výstup (výsledky řešení optimalizace) a soubor protokolu.
    Například následující text zobrazuje obsah souboru s názvem myjob.json. Obsahuje (inline) vstupní data, některé parametry řešení a určuje, že výstupem bude soubor .csv. Příklady jiných typů odkazů na vstupní data viz Přizpůsobení vstupních a výstupních dat modelu.
    {
	"name":"test-job-diet",
	"space_id": "SPACE-ID-HERE",
	"deployment": {
		"id": "DEPLOYMENT-ID-HERE"
	},
	"decision_optimization" : {
		"solve_parameters" : {
			"oaas.logAttachmentName":"log.txt",
			"oaas.logTailEnabled":"true"
		},
		"input_data": [
			{
				"id":"diet_food.csv",
				"fields" : ["name","unit_cost","qmin","qmax"],
				"values" : [
					["Roasted Chicken", 0.84, 0, 10],
					["Spaghetti W/ Sauce", 0.78, 0, 10],
					["Tomato,Red,Ripe,Raw", 0.27, 0, 10],
					["Apple,Raw,W/Skin", 0.24, 0, 10],
					["Grapes", 0.32, 0, 10],
					["Chocolate Chip Cookies", 0.03, 0, 10],
					["Lowfat Milk", 0.23, 0, 10],
					["Raisin Brn", 0.34, 0, 10],
					["Hotdog", 0.31, 0, 10]
				]
			},
			{
				"id":"diet_food_nutrients.csv",
				"fields" : ["Food","Calories","Calcium","Iron","Vit_A","Dietary_Fiber","Carbohydrates","Protein"],
				"values" : [
					["Spaghetti W/ Sauce", 358.2, 80.2, 2.3, 3055.2, 11.6, 58.3, 8.2],
					["Roasted Chicken", 277.4, 21.9, 1.8, 77.4, 0, 0, 42.2],
					["Tomato,Red,Ripe,Raw", 25.8, 6.2, 0.6, 766.3, 1.4, 5.7, 1],
					["Apple,Raw,W/Skin", 81.4, 9.7, 0.2, 73.1, 3.7, 21, 0.3],
					["Grapes", 15.1, 3.4, 0.1, 24, 0.2, 4.1, 0.2],
					["Chocolate Chip Cookies", 78.1, 6.2, 0.4, 101.8, 0, 9.3, 0.9],
					["Lowfat Milk", 121.2, 296.7, 0.1, 500.2, 0, 11.7, 8.1],
					["Raisin Brn", 115.1, 12.9, 16.8, 1250.2, 4, 27.9, 4],
					["Hotdog", 242.1, 23.5, 2.3, 0, 0, 18, 10.4]
				]
			},
			{
				"id":"diet_nutrients.csv",
				"fields" : ["name","qmin","qmax"],
				"values" : [
					["Calories", 2000, 2500],
					["Calcium", 800, 1600],
					["Iron", 10, 30],
					["Vit_A", 5000, 50000],
					["Dietary_Fiber", 25, 100],
					["Carbohydrates", 0, 300],
					["Protein", 50, 100]
				]
			}
		],
		"output_data": [
			{
				"id":".*\\.csv"
			}
		]
	}
}
    Tento příklad kódu zveřejní úlohu, která používá tento soubor myjob.json.
    curl --location --request POST "https://us-south.ml.cloud.ibm.com/ml/v4/deployment_jobs?version=2020-08-01&space_id=SPACE-ID-HERE" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json" \
  -H "cache-control: no-cache" \
  -d @myjob.json
    Vrátí se JOB-ID . Příklad výstupu: (úloha je zařazena do fronty)
    {
  "entity": {
    "decision_optimization": {
      "input_data": [{
        "id": "diet_food.csv",
        "fields": ["name", "unit_cost", "qmin", "qmax"],
        "values": [["Roasted Chicken", 0.84, 0, 10], ["Spaghetti W/ Sauce", 0.78, 0, 10], ["Tomato,Red,Ripe,Raw", 0.27, 0, 10], ["Apple,Raw,W/Skin", 0.24, 0, 10], ["Grapes", 0.32, 0, 10], ["Chocolate Chip Cookies", 0.03, 0, 10], ["Lowfat Milk", 0.23, 0, 10], ["Raisin Brn", 0.34, 0, 10], ["Hotdog", 0.31, 0, 10]]
      }, {
        "id": "diet_food_nutrients.csv",
        "fields": ["Food", "Calories", "Calcium", "Iron", "Vit_A", "Dietary_Fiber", "Carbohydrates", "Protein"],
        "values": [["Spaghetti W/ Sauce", 358.2, 80.2, 2.3, 3055.2, 11.6, 58.3, 8.2], ["Roasted Chicken", 277.4, 21.9, 1.8, 77.4, 0, 0, 42.2], ["Tomato,Red,Ripe,Raw", 25.8, 6.2, 0.6, 766.3, 1.4, 5.7, 1], ["Apple,Raw,W/Skin", 81.4, 9.7, 0.2, 73.1, 3.7, 21, 0.3], ["Grapes", 15.1, 3.4, 0.1, 24, 0.2, 4.1, 0.2], ["Chocolate Chip Cookies", 78.1, 6.2, 0.4, 101.8, 0, 9.3, 0.9], ["Lowfat Milk", 121.2, 296.7, 0.1, 500.2, 0, 11.7, 8.1], ["Raisin Brn", 115.1, 12.9, 16.8, 1250.2, 4, 27.9, 4], ["Hotdog", 242.1, 23.5, 2.3, 0, 0, 18, 10.4]]
      }, {
        "id": "diet_nutrients.csv",
        "fields": ["name", "qmin", "qmax"],
        "values": [["Calories", 2000, 2500], ["Calcium", 800, 1600], ["Iron", 10, 30], ["Vit_A", 5000, 50000], ["Dietary_Fiber", 25, 100], ["Carbohydrates", 0, 300], ["Protein", 50, 100]]
      }],
      "output_data": [
        {
          "id": ".*\\.csv"
        }
      ],
      "solve_parameters": {
        "oaas.logAttachmentName": "log.txt",
        "oaas.logTailEnabled": "true"
      },
      "status": {
        "state": "queued"
      }
    },
    "deployment": {
      "id": "DEPLOYMENT-ID"
    },
    "platform_job": {
      "job_id": "",
      "run_id": ""
    }
  },
  "metadata": {
    "created_at": "2020-07-17T10:42:42.783Z",
    "id": "JOB-ID",
    "name": "test-job-diet",
    "space_id": "SPACE-ID"
  }
}
  8. Můžete také monitorovat stavy úloh. Použijte JOB-ID
    Například:
    curl --location --request GET \
  "https://us-south.ml.cloud.ibm.com/ml/v4/deployment_jobs/JOB-ID-HERE?version=2020-08-01&space_id=SPACE-ID-HERE" \
  -H "Authorization: bearer TOKEN-HERE" \
  -H "Content-Type: application/json"
    Příklad výstupu: (úloha byla dokončena)
    {
  "entity": {
    "decision_optimization": {
      "input_data": [{
        "id": "diet_food.csv",
        "fields": ["name", "unit_cost", "qmin", "qmax"],
        "values": [["Roasted Chicken", 0.84, 0, 10], ["Spaghetti W/ Sauce", 0.78, 0, 10], ["Tomato,Red,Ripe,Raw", 0.27, 0, 10], ["Apple,Raw,W/Skin", 0.24, 0, 10], ["Grapes", 0.32, 0, 10], ["Chocolate Chip Cookies", 0.03, 0, 10], ["Lowfat Milk", 0.23, 0, 10], ["Raisin Brn", 0.34, 0, 10], ["Hotdog", 0.31, 0, 10]]
      }, {
        "id": "diet_food_nutrients.csv",
        "fields": ["Food", "Calories", "Calcium", "Iron", "Vit_A", "Dietary_Fiber", "Carbohydrates", "Protein"],
        "values": [["Spaghetti W/ Sauce", 358.2, 80.2, 2.3, 3055.2, 11.6, 58.3, 8.2], ["Roasted Chicken", 277.4, 21.9, 1.8, 77.4, 0, 0, 42.2], ["Tomato,Red,Ripe,Raw", 25.8, 6.2, 0.6, 766.3, 1.4, 5.7, 1], ["Apple,Raw,W/Skin", 81.4, 9.7, 0.2, 73.1, 3.7, 21, 0.3], ["Grapes", 15.1, 3.4, 0.1, 24, 0.2, 4.1, 0.2], ["Chocolate Chip Cookies", 78.1, 6.2, 0.4, 101.8, 0, 9.3, 0.9], ["Lowfat Milk", 121.2, 296.7, 0.1, 500.2, 0, 11.7, 8.1], ["Raisin Brn", 115.1, 12.9, 16.8, 1250.2, 4, 27.9, 4], ["Hotdog", 242.1, 23.5, 2.3, 0, 0, 18, 10.4]]
      }, {
        "id": "diet_nutrients.csv",
        "fields": ["name", "qmin", "qmax"],
        "values": [["Calories", 2000, 2500], ["Calcium", 800, 1600], ["Iron", 10, 30], ["Vit_A", 5000, 50000], ["Dietary_Fiber", 25, 100], ["Carbohydrates", 0, 300], ["Protein", 50, 100]]
      }],
      "output_data": [{
        "fields": ["Name", "Value"],
        "id": "kpis.csv",
        "values": [["Total Calories", 2000], ["Total Calcium", 800.0000000000001], ["Total Iron", 11.278317739831891], ["Total Vit_A", 8518.432542485823], ["Total Dietary_Fiber", 25], ["Total Carbohydrates", 256.80576358904455], ["Total Protein", 51.17372234135308], ["Minimal cost", 2.690409171696264]]
      }, {
        "fields": ["name", "value"],
        "id": "solution.csv",
        "values": [["Spaghetti W/ Sauce", 2.1551724137931036], ["Chocolate Chip Cookies", 10], ["Lowfat Milk", 1.8311671008899097], ["Hotdog", 0.9296975991385925]]
      }],
      "output_data_references": [],
      "solve_parameters": {
        "oaas.logAttachmentName": "log.txt",
        "oaas.logTailEnabled": "true"
      },
      "solve_state": {
        "details": {
          "KPI.Minimal cost": "2.690409171696264",
          "KPI.Total Calcium": "800.0000000000001",
          "KPI.Total Calories": "2000.0",
          "KPI.Total Carbohydrates": "256.80576358904455",
          "KPI.Total Dietary_Fiber": "25.0",
          "KPI.Total Iron": "11.278317739831891",
          "KPI.Total Protein": "51.17372234135308",
          "KPI.Total Vit_A": "8518.432542485823",
          "MODEL_DETAIL_BOOLEAN_VARS": "0",
          "MODEL_DETAIL_CONSTRAINTS": "7",
          "MODEL_DETAIL_CONTINUOUS_VARS": "9",
          "MODEL_DETAIL_INTEGER_VARS": "0",
          "MODEL_DETAIL_KPIS": "[\"Total Calories\", \"Total Calcium\", \"Total Iron\", \"Total Vit_A\", \"Total Dietary_Fiber\", \"Total Carbohydrates\", \"Total Protein\", \"Minimal cost\"]",
          "MODEL_DETAIL_NONZEROS": "57",
          "MODEL_DETAIL_TYPE": "LP",
          "PROGRESS_CURRENT_OBJECTIVE": "2.6904091716962637"
        },
        "latest_engine_activity": [
          "[2020-07-21T16:37:36Z, INFO] Model: diet",
          "[2020-07-21T16:37:36Z, INFO]  - number of variables: 9",
          "[2020-07-21T16:37:36Z, INFO]    - binary=0, integer=0, continuous=9",
          "[2020-07-21T16:37:36Z, INFO]  - number of constraints: 7",
          "[2020-07-21T16:37:36Z, INFO]    - linear=7",
          "[2020-07-21T16:37:36Z, INFO]  - parameters: defaults",
          "[2020-07-21T16:37:36Z, INFO]  - problem type is: LP",
          "[2020-07-21T16:37:36Z, INFO] Warning: Model: \"diet\" is not a MIP problem, progress listeners are disabled",
          "[2020-07-21T16:37:36Z, INFO] objective: 2.690",
          "[2020-07-21T16:37:36Z, INFO]   \"Spaghetti W/ Sauce\"=2.155",
          "[2020-07-21T16:37:36Z, INFO]   \"Chocolate Chip Cookies\"=10.000",
          "[2020-07-21T16:37:36Z, INFO]   \"Lowfat Milk\"=1.831",
          "[2020-07-21T16:37:36Z, INFO]   \"Hotdog\"=0.930",
          "[2020-07-21T16:37:36Z, INFO] solution.csv"
        ],
        "solve_status": "optimal_solution"
      },
      "status": {
        "completed_at": "2020-07-21T16:37:36.989Z",
        "running_at": "2020-07-21T16:37:35.622Z",
        "state": "completed"
      }
    },
    "deployment": {
      "id": "DEPLOYMENT-ID"
    }
  },
  "metadata": {
    "created_at": "2020-07-21T16:37:09.130Z",
    "id": "JOB-ID",
    "modified_at": "2020-07-21T16:37:37.268Z",
    "name": "test-job-diet",
    "space_id": "SPACE-ID"
  }
}
  9. Volitelné: Úlohy můžete odstranit takto:
    curl --location --request DELETE "https://us-south.ml.cloud.ibm.com/ml/v4/deployment_jobs/JOB-ID-HERE?version=2020-08-01&space_id=SPACE-ID-HERE&hard_delete=true" \
  -H "Authorization: bearer TOKEN-HERE"
    Pokud odstraníte úlohu pomocí rozhraní API, bude stále zobrazena v uživatelském rozhraní.
  10. Volitelné: Implementace můžete odstranit takto:
    Pokud odstraníte implementaci, která obsahuje úlohy používající rozhraní API, budou úlohy stále zobrazeny v prostoru implementace v uživatelském rozhraní.

Výsledky

Jakmile je váš model implementován a úloha provedena, výsledky řešení jsou poskytnuty buď vloženě, nebo v souboru a umístění, které jste uvedli, například pomocí odkazu S3 . Pomocí ID implementace můžete zveřejňovat nové úlohy, aniž byste museli znovu implementovat svůj model.

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more