Istnieje możliwość wdrożenia modelu Decision Optimization , tworzenia i monitorowania zadań oraz pobierania rozwiązań za pomocą klienta Watson Machine Learning Python.

Aby wdrożyć model, należy zapoznać się z wdrożeniem modelu.

Więcej informacji na ten temat zawiera sekcja Dokumentacja produktu Klient Watson Machine Learning Python.

W przykładzie Deploying a DO model with WML przedstawiono sposób wdrożenia modelu Decision Optimization , tworzenia i monitorowania zadań oraz pobierania rozwiązań za pomocą klienta Watson Machine Learning Python. W tym produkcie notatnik jest używana próbka dieta dla modelu Decision Optimization i przechodzi przez całą procedurę bez korzystania z Decision Optimization interfejs użytkownika doświadczenia.

W sekcji RunDeployedModel przedstawiono sposób uruchamiania zadań i pobierania rozwiązań z istniejącego wdrożonego modelu. Ten notatnik korzysta z modelu, który jest zapisywany w celu wdrożenia z poziomu scenariusza Decision Optimization interfejsu użytkownika eksperymentu .

W notatniku ExtendWMLSoftwareSpecnotatnik przedstawiono sposób rozszerzenia specyfikacji oprogramowania Decision Optimization w ramach programu Watson Machine Learning. Rozszerzając specyfikację oprogramowania, można użyć własnego pakietu pip, aby dodać niestandardowy kod i wdrożyć go w modelu i wysłać do niego zadania.

Można również znaleźć w przykładach kilka notebooków przeznaczonych do wdrażania różnych modeli, na przykład modeli CPLEX, DOcplex i OPL z różnymi typami danych.