0 / 0
Go back to the English version of the documentation
Implementace modelu
Last updated: 20. 9. 2023
Implementace modelu Decision Optimization

Chcete-li implementovat model Decision Optimization , vytvořte model připravený pro implementaci ve vašem prostoru implementace a poté odešlete svůj model jako archiv. Po implementaci můžete odesílat úlohy do svého modelu a monitorovat stavy úloh.

Než začnete

Musíte mít účet IBM Cloud . Viz https://www.ibm.com/cloud/.
  1. Přihlaste se do produktu IBM Cloud.
  2. Vytvořte klíč rozhraní API. Zkopírujte nebo stáhněte z otevřeného okna úspěšně vytvořený klíč rozhraní API (pokud toto okno zavřete), nebude k němu znovu přistupovat.)
  3. Vytvořte nebo vyberte Služba Machine Learning. Zkopírujte název instance služby, GUIDa CRN z informačního podokna pro vaši instanci v pohledu Seznam prostředků>Služby na IBM Cloud. (Rozbalte seznam služeb v okně Seznam prostředků . Klepněte kamkoli do řádku vedle vašeho názvu služby Machine Learning , ale ne přímo na názvu. Informační podokno se pak otevře ve stejném okně.)
  4. Vytvořte nebo vyberte Cloud Object Storage. Zkopírujte název instance Cloud Object Storage a CRN z informačního podokna pro vaši instanci v pohledu Seznam prostředků>Úložiště na IBM Cloud.
  5. Vytvořte prostor implementacez uživatelského rozhraní. Poté ji zobrazte a zkopírujte ID prostoru z karty nastavení. Další informace naleznete v tématu Prostory implementace.

O této úloze

Tyto pokyny předpokládají, že jste již vytvořili model Decision Optimization .

Postup

Chcete-li implementovat model Decision Optimization :

  1. Zabalte formulaci modelu Decision Optimization se společnými daty (volitelně) připraveným pro implementaci jako soubor tar.gz, .zipnebo .jar .
    Archiv může obsahovat následující volitelné soubory:
    1. Vaše soubory modelu
    2. Nastavení (Další informace viz Parametry řešení )
    3. Společné údaje
    Poznámka: Pro modely Python s více soubory .py umístěte všechny soubory do stejné složky ve vašem archivu. Stejná složka musí obsahovat hlavní soubor s názvem main.py. Nepoužívejte podsložky.
  2. Vytvořte model připravený k implementaci v produktu Watson Machine Learning , který poskytuje následující informace:
    • Instance služby Machine Learning
    • Instance Prostor implementace
    • Specifikace softwaru (Decision Optimization běhová verze):
      • do_22.1 Runtime je založen na CPLEX 22.1
      • do_20.1 runtime je založen na CPLEX 20.1

      Můžete rozšířit specifikaci softwaru poskytovanou produktem Watson Machine Learning. Viz zápisník ExtendWMLSoftwareSpec ve složce jupyter v publikaci DO-samples.

      Aktualizace běhových prostředí CPLEX
      Důležité: s

      Pokud jste již model implementovali s běhovou komponentou CPLEX, která již není podporována, můžete aktualizovat svůj existující implementovaný model buď pomocí rozhraní REST API , nebo pomocí UI.

    • Typ modelu:
      • opl (do-opl_ <verze běhového prostředí>)
      • cplex (do-cplex_ <verze běhového prostředí>)
      • cpo (do-cpo_ <verze běhového prostředí>)
      • docplex (do-docplex_ <běhová verze>) pomocí jazyka Python 3.10

      ( Verze běhového prostředí může být jednou z dostupných běhových prostředí, takže například model opl s běhovým prostředím 22.1 bude mít typ modelu do-opl_22.1.)

    Získáte MODEL-ID. Váš model Watson Machine Learning lze poté použít v jednom nebo více implementacích.
  3. Odešlete svůj archiv modelu (soubortar.gz, .zipnebo .jar ) na adrese Watson Machine Learning. Informace o typech vstupních souborů najdete v tématu Formáty výstupního a výstupního datového souboru .
  4. Implementujte svůj model pomocí ID MODEL-ID, ID-prostoru-SPACEa hardwarové specifikace pro dostupné velikosti konfigurace (malé S, střední M, velké L, extra velký XL). Viz konfigurace.
    Získáte DEPLOYMENT-ID.
  5. Monitorujte nasazení pomocí ID DEPLOYMENT-ID. Stavy implementace mohou být: initializing, updating, readynebo failed.
  6. Odešlete úlohy do své implementace.
    Získáte JOB-ID.
  7. Monitorujte své úlohy pomocí JOB-ID.

Příklad

Příklad implementace modelu Decision Optimization , vytvoření a monitorování úloh a získání řešení pomocí klienta Watson Machine Learning Python Client najdete v ukázce Deploying a DO model with WML . Tento zápisník používá vzorek stravy pro model Decision Optimization a provede vás celým postupem bez použití Decision Optimization experiment UI. Tato ukázka a RunDeployedModel a ExtendWMLSoftwareSpec notebooky jsou umístěny ve složce jupyter ve složce DO-samples. Vyberte příslušnou podsložku produktu a verze. Po stažení můžete do svého projektu přidat tyto notebooky Jupyter .

Viz také příklad příklad rozhraní REST API .

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