Para desplegar un modelo de Decision Optimization , cree un modelo listo para el despliegue en el espacio de despliegue y, a continuación, cargue el modelo como un archivo. Cuando se despliega, puede enviar trabajos a su modelo y supervisar estados de trabajo.

Para desplegar un modelo de Decision Optimization :

1. Empaquete su Decision Optimization formulación del modelo, con cualquier configuración o archivos de datos maestros, listo para su despliegue como un archivo tar.gz, .zip, o .jar.
   El archivo puede incluir los siguientes archivos opcionales:

   1. Sus archivos del modelo

      Para los modelos Python u OPL, estos archivos suelen contener la formulación de su modelo. Sin embargo, también puede optar por omitir estos archivos, especialmente cuando su modelo y los datos están integrados en el mismo archivo. Por ejemplo, para CPLEX (.lp archivos), CPO (.cpo archivos), y mps modelos de formato, para evitar resolver el mismo modo, puede enviar estos archivos más tarde en el trabajo.

   2. Archivos de valores

      Para más información, consulte Parámetros de ejecución.

   3. Datos maestros

      Estos archivos contienen cualquier dato que pueda ser reutilizado por todos los trabajos. La inclusión de estos archivos de datos puede hacer que los trabajos de despliegue sean más eficientes. Por ejemplo, puede incluir un archivo de datos para valores que permanecen constantes, como las distancias entre ciudades. Puede incluir este archivo de datos en el despliegue para proporcionarlo una sola vez y no en cada solicitud de trabajo.

   Nota: Para modelos Python con múltiples archivos ' .py ', ponga todos los archivos en la misma carpeta en su archivo. La misma carpeta debe contener un archivo principal llamado ' main.py. No utilice subcarpetas.
2. Cree un modelo listo para su despliegue y proporcione la siguiente información:
   • instancia de servicio watsonx.ai Tiempo de ejecución
   • Instancia de Espacio de despliegue
   • la especificación de hardware para los tamaños de configuración disponibles (pequeño S, mediano M, grande L, extra grande XL). Consulte configuraciones.
   • Especificación del software (Decision Optimization versión en tiempo de ejecución):
     • do_22.1 el tiempo de ejecución se basa en CPLEX 22.1.1.0
     • do_20.1 el tiempo de ejecución se basa en CPLEX 20.1.0.1

     Puede ampliar la especificación de software que proporciona el servicio watsonx.ai Runtime. Véase el cuaderno ' ExtendWMLSoftwareSpec ' en la carpeta ' jupyter ' de las muestras DO.

     Actualización de tiempos de ejecución de CPLEX:

     Si ha desplegado previamente el modelo con un tiempo de ejecución de CPLEX que ya no está soportado, puede actualizar el modelo desplegado existente utilizando la API REST o la IU.

   • el tipo de modelo:
     • opl (do-opl_<versión en tiempo de ejecución>)
     • cplex (do-cplex_<versión en tiempo de ejecución>)
     • cpo (do-cpo_<versión en tiempo de ejecución>)
     • docplex (do-docplex_<runtime version>) using Python 3.11 or 3.10 (deprecated)

     (La versión de tiempo de ejecución puede ser una de las versiones de tiempo de ejecución Decision Optimization disponibles, de modo que, por ejemplo, un modelo opl con tiempo de ejecución 22.1 tiene el tipo de modelo do-opl_22.1)

   Obtendrá un MODEL-ID.

   Su modelo puede utilizarse en una o varias implantaciones.

3. Cargue su archivo de modelo (archivotar.gz, ' .zip o ' .jar ). Consulte Formatos de archivos de datos de entrada y salida del modelo para Decision Optimization para obtener información sobre los tipos de archivos de entrada.
4. Despliegue el modelo utilizando MODEL-ID, SPACE-IDy la especificación de hardware para los tamaños de configuración disponibles (pequeño S, mediano M, grande L, extra grande XL). Ver configuraciones. También puede especificar el número de nodos que se utilizarán (el valor predeterminado es 1).
   Obtendrá un deployment-id.
5. Supervise el despliegue utilizando el DEPLOYMENT-ID. Los estados de despliegue pueden ser: initializing, updating, readyo failed.