Ejemplo de API REST

Puede desplegar un modelo de Decision Optimization, crear y supervisar trabajos y obtener soluciones mediante la API REST de tiempo de ejecución dewatsonx.ai.

1. Genere un token de IAM utilizando su clave de API deIBM Cloud como se indica a continuación.

   curl "https://iam.cloud.ibm.com/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="
   Copy to clipboardSe ha copiado en el portapapeles

   Ejemplo de salida:

   {
      "access_token": "****** obtained IAM token ******************************",
      "refresh_token": "**************************************",
      "token_type": "Bearer",
      "expires_in": 3600,
      "expiration": 1554117649,
      "scope": "ibm openid"
   }
   Copy to clipboardSe ha copiado en el portapapeles

   Utilice la señal obtenida (valor de access_token) antecedida por la palabra Bearer en la cabecera Authorization y watsonx.ai Runtime service GUID en la cabecera ML-Instance-ID, en todas las llamadas de API.

2. Opcional: Si no ha obtenido el SPACE-ID de la interfaz de usuario tal como se ha descrito anteriormente, puede crear un espacio utilizando la API REST de la forma siguiente. Utilice la señal obtenida anteriormente que precede a la palabra bearer en la cabecera Authorization en todas las llamadas de 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"
     }]
   }"
   Copy to clipboardSe ha copiado en el portapapeles

   Para los usuarios de Windows, ponga el mandato --data-raw en una línea y sustituya todos los " por \" dentro de este mandato como se indica a continuación:

   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\"  }]}"
   Copy to clipboardSe ha copiado en el portapapeles

   De forma alternativa, coloque los datos en un archivo aparte.
   Se devuelve un SPACE-ID en el campo id de la sección metadata.

   Ejemplo de salida:

   {
     "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"
     }
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

   Debe esperar hasta que el estado del espacio de despliegue sea "active" antes de continuar. Puede sondear para comprobarlo de la siguiente manera.

   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"
   Copy to clipboardSe ha copiado en el portapapeles

3. Crear un modelo nuevo Decision Optimization

   Todas las solicitudes de API requieren un parámetro de versión que tome una fecha en el formato version=YYYY-MM-DD. Este ejemplo de código publica un modelo que utiliza el archivo create_model.json. La URL variará en función de la región/ubicación elegida para su servicio watsonx.ai Runtime. Véase URL de punto final.

   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
   Copy to clipboardSe ha copiado en el portapapeles

   El archivo create_model.json contiene el código siguiente:

   {
     "name": "ModelName",
     "description": "ModelDescription",
     "type": "do-docplex_22.1",
     "software_spec": {
       "name": "do_22.1"
     },
     "custom": {
         "decision_optimization": {
           "oaas.docplex.python": "3.11"
         }
     },
     "space_id": "SPACE-ID-HERE"
   }
   Copy to clipboardSe ha copiado en el portapapeles

   La Versión de Python se declara explícitamente aquí en un bloque custom. Esto es opcional. Sin ella tu modelo utilizará la versión por defecto que actualmente es Python 3.11. Puesto que la versión predeterminada irá cambiando con el tiempo, la versión de Python explícitamente le permite cambiar fácilmente más tarde o seguir utilizando una versión admitida más antigua cuando se actualiza la versión predeterminada. Las versiones actualmente soportadas son 3.11 y 3.10 (obsoleta).

   Si desea poder ejecutar trabajos para este modelo desde la interfaz de usuario, en lugar de utilizar solo la API REST, debe definir el esquema para los datos de entrada y salida. Si no define el esquema al crear el modelo, solo puede ejecutar trabajos utilizando la API REST y no desde la interfaz de usuario.

   También puede utilizar el esquema especificado para entrada y salida en el modelo de optimización:

   {
     "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"
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

   Cuando publique un modelo, proporcione información sobre su tipo de modelo y la especificación de software que se utilizará.

   Por ejemplo, los tipos de modelos pueden ser:

   • do-opl_22.1 para modelos de OPL
   • do-cplex_22.1 para modelos CPLEX
   • do-cpo_22.1 para modelos CP
   • do-docplex_22.1 para modelos Python

   La versión 20.1 también se puede utilizar para estos tipos de modelo.

   Para la especificación de software, puede utilizar las especificaciones predeterminadas utilizando sus nombres do_22.1 o do_20.1. Consulte también Ampliar cuaderno de especificación de software , que muestra cómo ampliar la especificación de software Decision Optimization (tiempos de ejecución con bibliotecas Python adicionales para modelos DOcplex).

   Se devuelve un MODEL-ID en el campo id en metadata.

   Ejemplo de salida:

   {
     "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"
     }
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

4. Cargue una formulación de modelo de Decision Optimization lista para el despliegue.
   Primero comprime tu modelo en un archivo (tar.gz, .zip or .jar) y súbelo para que sea desplegado por el servicio watsonx.ai Runtime.
   Este ejemplo de código carga un modelo llamado diet.zip que contiene un modelo de Python sin datos maestros:

   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"
   Copy to clipboardSe ha copiado en el portapapeles

   Puede descargar este ejemplo y otros modelos de DO-samples. Seleccione la subcarpeta de producto y versión relevante.
5. Desplegar el modelo
   Cree una referencia a su modelo. Utilice el SPACE-ID y el MODEL-ID obtenidos al crear el modelo preparado para el despliegue y la especificación de hardware. Por ejemplo:

   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
   Copy to clipboardSe ha copiado en el portapapeles

   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": {}
   }
   Copy to clipboardSe ha copiado en el portapapeles

   El DEPLOMENT-ID se devuelve en el campo id en metadata. Ejemplo de salida:

   {
     "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"
     }
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

6. Una vez desplegado, puede supervisar el estado de despliegue del modelo. Utilice el DEPLOYMENT-ID.
   Por ejemplo:

   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"
   Copy to clipboardSe ha copiado en el portapapeles

   Ejemplo de salida:

7. A continuación, puede Enviar trabajos para el modelo desplegado definiendo los datos de entrada y la salida (resultados de la resolución de optimización) y el archivo de registro.
   Por ejemplo, a continuación se muestra el contenido de un archivo denominado myjob.json. Contiene datos de entrada (en línea), algunos parámetros de resolución, y especifica que la salida será un archivo .csv. Para obtener más información, consulte Despliegue por lotes deDecision Optimization y ejecución de modelos.

   {
   	"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"
   			}
   		]
   	}
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

   Este ejemplo de código publica un trabajo que utiliza este archivo 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
   Copy to clipboardSe ha copiado en el portapapeles

   Se devuelve un JOB-ID. Ejemplo de salida: (el trabajo está en cola)

   {
     "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"
     }
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

8. También puede supervisar estados de trabajo. Utilice el JOB-ID
   Por ejemplo:

   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"
   Copy to clipboardSe ha copiado en el portapapeles

   Ejemplo de salida: (se ha completado el trabajo)

   {
     "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"
     }
   }
   Copy to clipboardSe ha copiado en el portapapelesShow more

9. Opcional: puede suprimir trabajos de la forma siguiente:

   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" 
   Copy to clipboardSe ha copiado en el portapapeles

   Si suprime un trabajo utilizando la API, todavía se mostrará en la interfaz de usuario.
10. Opcional: puede suprimir despliegues de la forma siguiente:
    Si suprime un despliegue que contiene trabajos utilizando la API, los trabajos seguirán mostrándose en el espacio de despliegue en la interfaz de usuario.