Aby wdrożyć model Decision Optimization , należy utworzyć model gotowy do wdrożenia w obszarze wdrażania, a następnie przesłać model jako archiwum. Po wdrożeniu można wprowadzać zadania do modelu i monitorować stany zadań.
Zanim rozpoczniesz
Użytkownik musi mieć konto IBM Cloud . Patrz https://www.ibm.com/cloud/.
- Zaloguj się do programu IBM Cloud.
- Utwórz klucz API. Skopiuj lub pobierz go z otwartego okna Klucz interfejsu API (nie można uzyskać dostępu do niego ponownie po zamknięciu tego okna).
- Utwórz lub wybierz Usługa Machine Learning. Skopiuj nazwę instancji usługi, GUIDi CRN z panelu informacji dla danej instancji w widoku Lista zasobów>Usługi w serwisie IBM Cloud. (Rozwiń listę usług w oknie Lista zasobów . Kliknij w dowolnym miejscu wiersza obok nazwy usługi Machine Learning , ale nie w samej nazwie. Panel informacji zostanie następnie otwarty w tym samym oknie.)
- Utwórz lub wybierz opcję Cloud Object Storage. Skopiuj nazwę instancji Cloud Object Storage i CRN z panelu informacji dla danej instancji w widoku Lista zasobów>Pamięć masowa w serwisie IBM Cloud.
- Utwórz obszar wdrażaniaz poziomu interfejsu użytkownika. Następnie należy go wyświetlić i skopiować z karty ustawień. Więcej informacji na ten temat zawiera sekcja Obszary wdrażania.
O tym zadaniu
W tych instrukcjach przyjęto założenie, że model Decision Optimization został już zbudowany.
Procedura
Aby wdrożyć model Decision Optimization :
- Pakiet modelu Decision Optimization należy utworzyć ze wspólnymi danymi (opcjonalnie) gotowymi do wdrożenia jako plik
tar.gz, .ziplub .jar . Archiwum może zawierać następujące pliki opcjonalne:
- Pliki modelu użytkownika
- Ustawienia (więcej informacji na ten temat zawiera sekcja Parametry Solve ).
- Dane wspólne
Uwaga: W przypadku modeli Python z wieloma plikami .py należy umieścić wszystkie pliki znajdujące się w tym samym folderze w archiwum. Ten sam folder musi zawierać główny plik o nazwie main.py. Nie używaj podfolderów.
- Utwórz model gotowy do wdrożenia w programie Watson Machine Learning udostępniający następujące informacje:
- Instancja usługi Machine Learning
- Instancja obszaru wdrażania
- Specyfikacja oprogramowania (Decision Optimization wersja środowiska wykonawczego):
- Środowisko wykonawcze do_22.1 jest oparte na CPLEX 22.1
- Środowisko wykonawcze do_20.1 jest oparte na CPLEX 20.1
Specyfikację oprogramowania można rozszerzyć pod adresem Watson Machine Learning. Zapoznaj się z notatnikiem ExtendWMLSoftwareSpec w folderze jupyter w przykładach do wykonania.
Aktualizowanie środowisk wykonawczych CPLEX
Ważne:Jeśli wcześniej wdrożono model przy użyciu środowiska wykonawczego CPLEX, które nie jest już obsługiwane, można zaktualizować istniejący wdrożony model za pomocą interfejsu REST API lub interfejsu UI.
- Typ modelu:
- opl (do-opl_ <wersja środowiska wykonawczego>)
- cplex (do-cplex_ <wersja środowiska wykonawczego>)
- cpo (do-cpo_ <wersja środowiska wykonawczego>)
- docplex (do-docplex_ <wersja środowiska wykonawczego>) przy użyciu języka Python 3.10
( Wersja środowiska wykonawczego może być jednym z dostępnych środowisk wykonawczych, dlatego na przykład model opl ze środowiskiem wykonawczym 22.1 będzie miał typ modelu do-opl_22.1).
Użytkownik uzyskuje identyfikator MODEL-ID. Model Watson Machine Learning może być używany w przypadku jednego lub wielu wdrożeń.
- Prześlij archiwum modelu (plik
tar.gz, .ziplub plik .jar ) w systemie Watson Machine Learning. Informacje na temat typów plików wejściowych można znaleźć w sekcji Formaty wejściowe i wyjściowe pliku danych modelu .
- Należy wdrożyć model, korzystając z opcji MODEL-ID, SPACE-IDi specyfikacji sprzętu dla dostępnych wielkości konfiguracji (małe S, średni M, duży L, dodatkowy duży XL). Patrz konfiguracje.
Użytkownik uzyskuje identyfikator DEPLOYMENT-ID.
- Monitorowanie wdrożenia za pomocą identyfikatora DEPLOYMENT-ID. Stany wdrożenia mogą być następujące:
initializing, updating, readylub failed.
- Wprowadź zadania do wdrożenia.
Uzyskasz ID-zadania.
- Monitoruj zadania przy użyciu identyfikatora zadania.
Przykład
Przykład instalowania modelu Decision Optimization , tworzenia i monitorowania zadań oraz pobierania rozwiązań za pomocą klienta Watson Machine Learning Python można znaleźć w przykładowym przykładzie Deploying a DO model with WML . 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. Ten przykład oraz RunDeployedModel i ExtendWMLSoftwareSpec notebooki znajdują się w folderze jupyter w przykładach do wykonania. Wybierz odpowiedni podfolder produktu i wersji. Po pobraniu można dodać te notebooki Jupyter do projektu.
Patrz także przykład Przykład interfejsu REST API .