Istnieje możliwość wdrożenia modelu Decision Optimization , utworzenia i monitorowania zadań oraz uzyskania rozwiązań przy użyciu interfejsu REST API Watson Machine Learning.

1. Wygeneruj token IAM przy użyciu klucza interfejsu API IBM Cloud w następujący sposób.

   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="

   Przykład danych wyjściowych:

   {
      "access_token": "****** obtained IAM token ******************************",
      "refresh_token": "**************************************",
      "token_type": "Bearer",
      "expires_in": 3600,
      "expiration": 1554117649,
      "scope": "ibm openid"
   }

   Użyj uzyskanego tokenu (wartość access_token) poprzedzonego słowem Bearer w nagłówku Authorization oraz Machine Learning service GUID w nagłówku ML-Instance-ID we wszystkich wywołaniach API.

2. Opcjonalnie: jeśli nie uzyskano SPACE-ID z interfejsu użytkownika zgodnie z wcześniejszym opisem, można utworzyć obszar przy użyciu interfejsu REST API w następujący sposób. Należy użyć poprzednio uzyskanego znacznika poprzedzonego słowem bearer w nagłówku Authorization we wszystkich wywołaniach interfejsu 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"
     }]
   }"

   W przypadku użytkowników systemu Windows należy umieścić komendę --data-raw w jednym wierszu i zastąpić wszystkie wartości " wartością \" wewnątrz tej komendy w następujący sposób:

   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\"  }]}"

   Alternatywnie dane można umieścić w osobnym pliku.
   Pole SPACE-ID jest zwracane w polu id sekcji metadata .

   Przykład danych wyjściowych:

   {
     "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"
     }
   }

   Przed kontynuowaniem należy poczekać, aż status obszaru wdrażania będzie mieć wartość "active" . Aby to sprawdzić, można wykonać następujące odpytywanie.

   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. Utwórz nowy modelDecision Optimization

   Wszystkie żądania interfejsu API wymagają parametru wersji, który przyjmuje datę w formacie version=YYYY-MM-DD. Ten przykładowy kod powoduje opublikowanie modelu korzystającego z pliku create_model.json. Adres URL będzie się różnić w zależności od wybranego regionu/lokalizacji usługi uczenia maszynowego. Patrz sekcja Adresy URL punktów końcowych.

   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

   Plik create_model.json zawiera następujący kod:

   {
     "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"
   }

   WersjaPython jest podana jawnie w bloku custom . Ta wartość jest opcjonalna. Bez niego model będzie korzystał z wersji domyślnej, którą jest obecnie Python 3.10. Ponieważ wersja domyślna ewoluuje w czasie, określenie wersji Python w sposób jawny umożliwia jej łatwą zmianę w późniejszym czasie lub używanie starszej obsługiwanej wersji, gdy aktualizowana jest wersja domyślna. Obecnie obsługiwane są wersje 3.10.

   Aby można było uruchamiać zadania dla tego modelu z interfejsu użytkownika, zamiast używać tylko interfejsu API REST, należy zdefiniować schemat dla danych wejściowych i wyjściowych. Jeśli schemat nie zostanie zdefiniowany podczas tworzenia modelu, można uruchamiać zadania tylko przy użyciu interfejsu API REST, a nie z poziomu interfejsu użytkownika.

   Można również użyć schematu określonego dla wejścia i wyjścia w modelu optymalizacji:

   {
     "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"
   }
   

   Podczas publikowania modelu należy podać informacje o jego typie modelu i specyfikacji oprogramowania , które mają być używane.

   Typy modeli mogą być na przykład następujące:

   • do-opl_22.1 dla modeli OPL
   • do-cplex_22.1 dla modeli CPLEX
   • do-cpo_22.1 dla modeli CP
   • Modele do-docplex_22.1 for Python

   Wersja 20.1 może być również używana dla tych typów modeli.

   Dla specyfikacji oprogramowaniamożna użyć specyfikacji domyślnych, używając ich nazw do_22.1 lub do_20.1. Patrz także notatnik Extend software specification (Rozszerzanie specyfikacji oprogramowania), który przedstawia sposób rozszerzania specyfikacji oprogramowania Decision Optimization (środowiska wykonawcze z dodatkowymi bibliotekami Python dla modeli docplex).

   W polu id w metadatazwracana jest wartość MODEL-ID .

   Przykład danych wyjściowych:

   {
     "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. Prześlij Decision Optimization formułę modelu gotową do wdrożenia.
   Najpierw skompresuj model do pliku (tar.gz, .zip or .jar) i prześlij go do wdrożenia przez usługę Watson Machine Learning .
   W tym przykładzie kodu przesyłany jest model o nazwie diet.zip , który zawiera model Python i nie zawiera wspólnych danych:

   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"

   Ten przykład i inne modele można pobrać z serwisu DO-samples. Wybierz odpowiedni podfolder produktu i wersji.
5. Wdrażanie modelu
   Utwórz odwołanie do modelu. Użyj parametrów SPACE-ID, MODEL-ID uzyskanych podczas tworzenia modelu gotowego do wdrożenia i specyfikacji sprzętu. Na przykład:

   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": {}
   }

   Wartość DEPLOYMENT-ID jest zwracana w polu id w pliku metadata. Przykład danych wyjściowych:

   {
     "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 wdrożeniu można monitorować stan wdrożenia modelu. Użyj wartości DEPLOYMENT-ID.
   Na przykład:

   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"

   Przykład danych wyjściowych:

7. Następnie można wprowadzić zadania dla wdrożonego modelu, definiując dane wejściowe i wyjściowe (wyniki rozwiązania optymalizacji) oraz plik dziennika.
   Na przykład poniżej przedstawiono zawartość pliku o nazwie myjob.json. Zawiera on (wstawiane) dane wejściowe, niektóre parametry rozwiązania i określa, że dane wyjściowe będą plikiem .csv. Przykłady innych typów odwołań do danych wejściowych zawiera sekcja Modelowanie adaptacji danych wejściowych i wyjściowych.

   {
   	"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"
   			}
   		]
   	}
   }

   Ten przykładowy kod publikuje zadanie, które korzysta z tego pliku 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
   

   Zwracana jest wartość JOB-ID . Przykład danych wyjściowych: (zadanie jest w kolejce)

   {
     "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. Można również monitorować stany zadań. Użyj ID-zadania
   Na przykład:

   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"

   Przykład danych wyjściowych: (zadanie zostało zakończone)

   {
     "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. Opcjonalnie: można usunąć zadania w następujący sposób:

   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" 

   Jeśli zadanie zostanie usunięte za pomocą interfejsu API, będzie ono nadal wyświetlane w interfejsie użytkownika.
10. Opcjonalnie: można usunąć wdrożenia w następujący sposób:
    Jeśli zostanie usunięte wdrożenie zawierające zadania korzystające z interfejsu API, zadania będą nadal wyświetlane w obszarze wdrażania w interfejsie użytkownika.