0 / 0
Go back to the English version of the documentation
REST API örneği
Last updated: 02 Kas 2023
Decision Optimization REST API 'si devreye alımı

Bir Decision Optimization modelini devreye alabilir, işleri oluşturabilir ve izleyebilir ve Watson Machine Learning REST API' yı kullanarak çözümler alabilirsiniz.

Başlamadan önce

Bir IBM Cloud hesabınızolmalıdır. Bkz. https://www.ibm.com/cloud/.
  1. IBM Cloud' da oturum açın.
  2. API anahtarınızıoluşturun. Bunu API anahtarı başarıyla oluşturuldu açık penceresinden kopyalayın ya da karşıdan yükleyin (bu bölmeyi kapattıktan sonra bu pencereye yeniden erişemezsiniz).
  3. Bir Machine Learning hizmetioluşturun ya da seçin. hizmet eşgörünümü adı, GUID ve CRN ' yi IBM Cloudüzerindeki Kaynak Listesi>Hizmetleri görünümündeki eşgörünümünüze ilişkin bilgi bölmesinden kopyalayın. (Kaynak Listesi penceresinde hizmet listesini genişletin. Machine Learning Hizmet adınızın yanındaki herhangi bir yeri tıklatın, ancak adın kendisini tıklatmayın. Bu işlem, bilgi bölmesini aynı pencerede açar.)
  4. Bir Cloud Object Storageoluşturun ya da seçin. Cloud Object Storage eşgörünüm adını ve CRN ' yi, IBM Cloudüzerindeki Kaynak Listesi>Depolama görünümündeki eşgörünümünüze ilişkin bilgi bölmesinden kopyalayın.
Ayrıca, bir konuşlandırma alanı yaratmanız ve aşağıdaki yöntemlerden birini kullanarak Alan Tanıtıcısı ' nı edinmeniz gerekir:

Bu görev hakkında

Aşağıdaki adımlarda, Watson Machine Learning REST APIkullanılarak bir Decision Optimization modelinin nasıl devreye alınacağı gösterilmektedir. REST API örneği, URL sözdizimiyle veri aktarmak için curl, bir komut satırı aracı ve kitaplık kullanır. Curl dosyasını karşıdan yükleyebilir ve bununla ilgili daha fazla bilgi için http://curl.haxx.seadresini ziyaret edebilirsiniz. Decision Optimizationile ilgili REST API ' leri hakkında daha fazla bilgi için aşağıdaki bölümlere bakın:

Windows kullanıcıları için çok satırlı ayırıcı ve çift tırnak işareti yerine ^ kullanın " Bu kod örnekleri boyunca. Windows kullanıcılarının, üstbilgi satırlarında en az bir karakter boşluğu girintisi de kullanmaları gerekir.

Daha anlaşılır olması için, bu yordamdaki bazı kod örnekleri, komutların daha okunabilir ve daha kolay kullanılmasını sağlamak üzere bir json dosyasına yerleştirilmiştir.

REST API 'sini kullanarak bir konuşlandırma yarattıktan sonra, bu konuşlandırmayı görüntüleyebilir ve https://dataplatform.cloud.ibm.com kullanıcı arabirimindeki Konuşlandırma alanları sayfasından konuşlandırmaya iş gönderebilirsiniz.

Yordam

  1. Bir IAM simgesi oluştur IBM Cloud API anahtarı ürününüzü aşağıdaki gibi kullanma.
    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="
    Çıkış örneği:
    {
   "access_token": "****** obtained IAM token ******************************",
   "refresh_token": "**************************************",
   "token_type": "Bearer",
   "expires_in": 3600,
   "expiration": 1554117649,
   "scope": "ibm openid"
}

    Tüm API çağrılarında, Authorization üstbilgisinde Bearer sözcüğünün ve ML-Instance-ID üstbilgisinde Machine Learning service GUID sözcüğünün eklendiği elde edilen simgeyi (access_token değeri) kullanın.

  2. İsteğe bağlı: SPACE-ID kimliğinizi daha önce açıklandığı gibi kullanıcı arabiriminden edinmediyseniz, REST API 'sini kullanarak aşağıdaki gibi bir alan oluşturabilirsiniz. Tüm API çağrılarında Authorization üstbilgisinde bearer sözcüğünün başına eklenmiş olan önceden elde edilmiş belirteci kullanın.
    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 kullanıcıları için, --data-raw komutunu tek bir satıra koyun ve " komutunu aşağıdaki gibi bu komutun içindeki \" ile değiştirin:
    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\"  }]}"
    Diğer bir seçenek olarak, verileri ayrı bir dosyaya koyun.
    metadata bölümünün id alanında bir ALAN-TANıTıCıSı döndürülür.

    Çıkış örneği:

    {
  "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"
  }
}

    Devam etmeden önce konuşlandırma alanı durumunuzun "active" olması için beklemeniz gerekir. Bunu denetlemek için yoklama yapabilirsiniz.

    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. yeni Decision Optimization modeli

    Tüm API istekleri, version=YYYY-MM-DDbiçiminde bir tarih alan bir sürüm parametresi gerektirir. Bu kod örneği, create_model.jsondosyasını kullanan bir model gönderir. URL, makine öğrenimi hizmetiniz için seçilen bölgeye/konuma göre değişir. Bkz. Uç Nokta URL ' leri.

    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
    create_model.json dosyası aşağıdaki kodu içerir:
    {
  "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 sürüm , burada bir custom öbeğinde açıkça belirtilir. Bu isteğe bağlıdır. Bu olmadan modeliniz şu anda Python 3.10olan varsayılan sürümü kullanır. Varsayılan sürüm zaman içinde gelişeceği için, Python sürümünün açıkça belirtilmesi, daha sonra kolayca değiştirmenizi ya da varsayılan sürüm güncellendiğinde daha eski bir desteklenen sürümü kullanmaya devam etmenizi sağlar. Şu anda desteklenen sürümler şunlardır: 3.10.

    Bu modele ilişkin işleri kullanıcı arabirimindenyalnızca REST API 'sini kullanmak yerine çalıştırabilmek istiyorsanız, giriş ve çıkış verileri için şema tanımlamanız gerekir. Modeli yaratırken şemayı tanımlamazsanız, kullanıcı arabiriminden değil, yalnızca REST API 'sini kullanarak işleri çalıştırabilirsiniz.

    Eniyileme modelinizde giriş ve çıkış için belirtilen şemayı da kullanabilirsiniz:

    {
  "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"
}
    Bir model gönderdiğinizde, modelin model tipi ve kullanılacak yazılım belirtimi hakkında bilgi sağlarlar.
    Model tipleri şöyle olabilir:
    • OPL modelleri için do-opl_22.1
    • CPLEX modelleri için do-cplex_22.1
    • CP modelleri için do-cpo_22.1
    • do-docplex_22.1 for Python modelleri

    20.1 sürümü de bu model tipleri için kullanılabilir.

    Yazılım belirtimiiçin, varsayılan belirtimleri do_22.1 ya da do_20.1adlarını kullanarak kullanabilirsiniz. Ayrıca, Decision Optimization yazılım belirtiminin (docplex modelleri için ek Python kitaplıkları ile çalıştırma zamanları) nasıl genişletileceğini gösteren Extend software specification notebook başlıklı konuya bakın.

    metadataiçindeki id alanında bir MODEL-ID döndürülür.

    Çıkış örneği:
    {
  "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. Devreye almaya hazır bir Decision Optimization model formülasyonu yükleyin.
    Önce modelinizi bir (tar.gz, .zip or .jar) dosyaya sıkıştırın ve Watson Machine Learning hizmeti tarafından devreye alınacak şekilde karşıya yükleyin.
    Bu kod örneği, Python modeli içeren ve ortak veri içermeyen diet.zip adlı bir modeli karşıya yükler:
    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"
    Bu örneği ve diğer modelleri DO-samplesiçinden yükleyebilirsiniz. İlgili ürün ve sürüm alt klasörünü seçin.
  5. Modelinizi devreye alın
    Modelinize bir başvuru oluşturun. Modelinizi devreye almaya hazır olarak oluşturduğunuzda elde edilen ALAN TANıTıCıSı, MODEL-TANıTıCı ve donanım belirtimikullanın. Örneğin:
    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 , metadataiçindeki id alanında döndürülür. Çıkış örneği:
    {
  "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. Devreye alındıktan sonra, modelinizin devreye alma durumunu izleyebilirsiniz. DEPLOYMENT-ID' yi kullanın.
    Örneğin:
    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"

    Çıkış örneği:

  7. Daha sonra, devreye alınan modelinize ilişkin giriş verilerini ve çıkışı (eniyileme çözümü sonuçları) ve günlük dosyasını tanımlayan İşleri sun seçeneğini belirleyebilirsiniz.
    Örneğin, aşağıda myjob.jsonadlı bir dosyanın içeriği gösterilmektedir. (inline) giriş verilerini, bazı çözme parametrelerini içerir ve çıkışın bir .csv dosyası olacağını belirtir. Diğer giriş verisi başvurusu tiplerine ilişkin örnekler için bkz. Model giriş ve çıkış verileri uyarlaması.
    {
	"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"
			}
		]
	}
}
    Bu kod örneği, myjob.jsondosyasını kullanan bir iş gönderir.
    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
    Bir JOB-ID döndürülür. Çıkış örneği: (iş kuyruğa alındı)
    {
  "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. İş durumlarını izleyebilirsiniz. JOB-ID
    Örneğin:
    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"
    Çıkış örneği: (iş tamamlandı)
    {
  "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. İsteğe bağlı: Aşağıdaki gibi işleri silebilirsiniz :
    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"
    API kullanarak bir işi silerseniz, iş kullanıcı arabiriminde görüntülenmeye devam eder.
  10. İsteğe bağlı: Aşağıdaki gibi konuşlandırmaları silebilirsiniz :
    API kullanan işleri içeren bir konuşlandırmayı silerseniz, işler kullanıcı arabirimindeki konuşlandırma alanında görüntülenmeye devam eder.

Sonuçlar

Modeliniz devreye alındıktan ve yürütüldükten sonra, çözüm sonuçları yerleşik olarak ya da belirttiğiniz dosya ve konumda (örneğin, S3 başvurusu kullanılarak) sağlanır. Modelinizi yeniden konuşlandırmanıza gerek kalmadan, konuşlandırma tanıtıcısını kullanarak yeni işler gönderebilirsiniz.

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