영어 버전 문서로 돌아가기REST API 예
Decision Optimization REST API 배치
IBM Cloud 계정이 있어야 합니다 https://www.ibm.com/cloud/의 내용을 참조하십시오.
다음 단계에서는 watsonx.ai 런타임 REST API를 사용하여 Decision Optimization 모델을 배포하는 방법을 보여 줍니다. 이 REST API 예제에서는 명령행 도구인 curl 및 URL 구문을 통해 데이터를 전송하기 위한 라이브러리를 사용합니다. 컬을 다운로드하고 자세한 내용은 http://curl.haxx.se 에서 확인할 수 있습니다. Decision Optimization에 관련된 REST API에 대한 자세한 정보는 다음 절을 참조하십시오.
마지막 업데이트 날짜: 2024년 12월 05일
Decision Optimization 모델을 배포하고, 작업을 생성 및 모니터링하고, watsonx.ai 런타임 REST API를 사용하여 솔루션을 얻을 수 있습니다.
시작하기 전에
- IBM Cloud에 로그인하십시오.
- API키를 작성하십시오. ' API 키가 성공적으로 생성되었습니다 열린 창에서 복사하거나 다운로드합니다(이 창을 닫으면 다시 액세스할 수 없습니다).
- 선택 사항입니다: watsonx.ai 런타임 서비스를 생성합니다.
- IBM Cloud 리소스 목록 보기의 AI/머신Machine Learning 서비스 목록에서 watsonx.ai 런타임 인스턴스를 선택합니다.
watsonx.ai 런타임 인스턴스의 정보 창에서 이름, GUID 및 CRN을 복사합니다. (정보 창을 열려면 이름 자체가 아닌 watsonx.ai 런타임 서비스 이름 옆의 행 아무 곳이나 클릭하세요. 그러면 정보 창이 같은 창에 열립니다.)
- 선택 사항입니다: Cloud Object Storage 만듭니다.
- IBM Cloud 리소스 목록 보기의 스토리지 리소스 목록에서 Cloud Object Storage 인스턴스를 선택합니다.
스토리지 인스턴스의 정보 창에서 이름과 CRN을 복사합니다.
- 선택 사항입니다: https://dataplatform.cloud.ibm.com 사용자 인터페이스에서 배포 공간을 만듭니다. REST API를 사용하여 배포 공간을 만들 수도 있습니다. REST API를 사용하여 배포 공간 만들기를 참조하세요.
- 배포 목록에서 배포 공간을 선택합니다.
관리 > 일반 탭에서 스페이스 GUID를 복사합니다. 자세한 내용은 배포 공간을 참조하세요.
이 태스크에 대한 정보
Windows 사용자의 경우 다중 행 구분 기호로 \ 대신 ^를 사용하고 다음 코드 예제 전체에서 큰따옴표 "를 사용하십시오. 또한 Windows 사용자는 헤더 행에서 한 문자 간격 이상의 들여쓰기를 사용해야 합니다.
명확성을 위해 이 프로시저의 일부 코드 예제는 명령을 더 쉽게 읽을 수 있고 사용하기 쉽게 하기 위해 json 파일에 배치되었습니다.
REST API를 사용하여 배포를 만든 후에는 https://dataplatform.cloud.ibm.com 사용자 인터페이스의 배포 > 스페이스 페이지에서 해당 배포를 보고 작업을 보낼 수도 있습니다.
프로시저
- 다음과 같이 IBM Cloud API 키를 사용하여 IAM 토큰을 생성합니다.
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="출력 예:{ "access_token": "****** obtained IAM token ******************************", "refresh_token": "**************************************", "token_type": "Bearer", "expires_in": 3600, "expiration": 1554117649, "scope": "ibm openid" }모든 API 호출에서
Authorization헤더에 있는 단어Bearer과(와)ML-Instance-ID헤더의watsonx.ai Runtime service GUID앞에 확보된 토큰(access_token값)을 사용하십시오. - 선택사항: 이전에 설명한 대로 사용자 인터페이스에서 SPACE-ID 를 확보하지 않은 경우 다음과 같이 REST API를 사용하여 영역을 작성할 수 있습니다. 모든 API 호출의
Authorization헤더에서bearer단어가 앞에 추가된 이전에 얻은 토큰을 사용하십시오.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" }] }"Windows 사용자의 경우--data-raw명령을 한 행에 두고 다음과 같이 이 명령 내의 모든"을(를)\"(으)로 대체하십시오.
또는 데이터를 별도의 파일에 배치하십시오.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\" }]}"metadata섹션의id필드에 SPACE-ID가 리턴됩니다..출력 예:
{ "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" } }계속하기 전에 배치 공간 상태가
"active"이(가) 될 때까지 기다려야 합니다. 다음과 같이 폴링하여 이를 확인할 수 있습니다.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" - 새 Decision Optimization 모델 작성
모든 API 요청에는
version=YYYY-MM-DD형식의 날짜를 사용하는 버전 매개변수가 필요합니다. 이 코드 예제는create_model.json파일을 사용하는 모델을 게시합니다. URL은 선택한 지역/위치에 따라 watsonx.ai 런타임 서비스에 따라 달라집니다. 엔드포인트 URL을 참조하세요.
create_model.json 파일에는 다음 코드가 포함되어 있습니다.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{ "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" }Python 버전은
custom블록에 명시적으로 설명되어 있습니다. 이는 선택사항입니다. 이 옵션이 없으면 모델은 현재 기본 버전인 Python 3.11을 사용하게 됩니다. 기본 버전은 시간이 지남에 따라 발전하므로 Python 버전을 명시적으로 명시하면 나중에 쉽게 변경하거나 기본 버전이 업데이트될 때 이전에 지원되는 버전을 계속 사용할 수 있습니다. 현재 지원되는 버전은 3.11 및 3.10(사용 중단)입니다.REST API만 사용하는 대신 사용자 인터페이스에서 이 모델에 대한 작업을 실행할 수 있도록 하려면 입력 및 출력 데이터의 스키마를 정의해야 합니다. 모델을 작성할 때 스키마를 정의하지 않으면 REST API를 사용해서만 작업을 실행할 수 있고 사용자 인터페이스에서는 불가능합니다.
최적화 모델에서 입력 및 출력에 지정된 스키마를 사용할 수도 있습니다.
{ "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" }모델을 게시할 때 사용할 모델 유형 및 소프트웨어 스펙을 제공해야 합니다.모델 유형은 예를 들면 다음과 같습니다.do-opl_22.1(OPL 모델의 경우)do-cplex_22.1(CPLEX 모델의 경우)do-cpo_22.1(CP 모델의 경우)do-docplex_22.1(Python 모델의 경우)
버전 20.1 도 이러한 모델 유형에 사용할 수 있습니다.
소프트웨어 스펙의 경우 이름
do_22.1또는do_20.1를 사용하여 기본 스펙을 사용할 수 있습니다. Decision Optimization 소프트웨어 스펙 (DOcplex 모델에 대한 추가 Python 라이브러리가 있는 런타임) 을 확장하는 방법을 보여주는 소프트웨어 스펙 확장 노트북 도 참조하십시오.MODEL-ID는
metadata의id필드에 리턴됩니다.출력 예:{ "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" } } - 배치할 준비가 된 Decision Optimization 모델 공식 을 업로드하십시오.먼저 ' 모델 압축 (
tar.gz, .zip or .jar) 파일로 변환하고 업로드하여 ' watsonx.ai 런타임 ' 서비스에서 배포합니다.이 코드 예제에서는 마스터 데이터가 없는 Python 모델을 포함하는 diet.zip이라는 모델을 업로드합니다: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"이 예제 및 다른 모델은 DO 샘플에서 다운로드할 수 있습니다. 관련 제품 및 버전 하위 폴더를 선택하십시오. - 모델 배치모델에 대한 참조를 작성하십시오. SPACE-ID, 배치할 준비가 된 모델을 작성할 때 가져온 MODEL-ID 및 하드웨어 스펙을 사용하십시오. 예를 들어,
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.jsonThe 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-ID는metadata의id필드에 리턴됩니다. 출력 예:{ "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" } } - 배치되면 모델의 배치 상태를 모니터할 수 있습니다. DEPLOYMENT-ID를 사용하십시오.예를 들어,
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"출력 예:
- 그런 다음 입력 데이터와 출력 (최적화 해결 결과) 및 로그 파일을 정의하는 배치된 모델에 대한 작업을 제출 할 수 있습니다.예를 들어, 다음은
myjob.json파일의 컨텐츠를 표시합니다. 여기에는 (인라인) 입력 데이터와 일부 솔브 매개변수가 포함되며 출력이 .csv 파일로 지정됩니다. 자세한 내용은 Decision Optimization 일괄 배포 및 모델 실행을 참조하세요.
이 코드 예제는{ "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" } ] } }myjob.json파일을 사용하는 작업을 게시합니다.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.jsonJOB-ID가 리턴됩니다. 출력 예제: (작업이 큐에 대기됨){ "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" } } - 또한 작업 상태를 모니터할 수도 있습니다. JOB-ID 사용예를 들어,
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"출력 예제: (작업이 완료됨){ "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" } } - 선택사항: 다음과 같이 작업을 삭제 할 수 있습니다.
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"API를 사용하여 작업을 삭제하면 여전히 사용자 인터페이스에 표시됩니다. - 선택사항: 다음과 같이 배치를 삭제 할 수 있습니다.API를 사용하여 작업이 포함된 배치를 삭제하면 작업이 여전히 사용자 인터페이스의 배치 영역에 표시됩니다.
결과
모델이 배치되고 작업이 실행되면 인라인으로 또는 지정된 파일 및 위치에서 솔루션 결과가 제공됩니다(예: S3 참조 사용). 모델을 재배치하지 않고도 deployment-ID를 사용하여 새 작업을 게시할 수 있습니다.