Um ein Decision Optimization -Modell bereitzustellen, erstellen Sie ein Modell, das für die Bereitstellung in Ihrem Bereitstellungsbereich bereit ist, und laden Sie dann Ihr Modell als Archiv hoch. Nach der Bereitstellung können Sie Jobs an Ihr Modell übergeben und Jobstatus überwachen.

Gehen Sie wie folgt vor, um ein Decision Optimization -Modell bereitzustellen:

1. Packen Sie Ihre Decision Optimization Modellformulierung mit allen Einstellungen oder Stammdatendateien, bereit für die Bereitstellung als tar.gz, .zip oder .jar Datei.
   Das Archiv kann die folgenden optionalen Dateien enthalten:

   1. Ihre Modelldateien

      Bei Python oder OPL-Modellen enthalten diese Dateien in der Regel Ihre Modellformulierung. Sie können diese Dateien jedoch auch weglassen, insbesondere wenn Ihr Modell und Ihre Daten in derselben Datei integriert sind. Bei Modellen im CPLEX- (.lp Dateien), CPO- (.cpo Dateien) und mps Format können Sie beispielsweise diese Dateien später im Auftrag senden, um zu vermeiden, dass der gleiche Modus aufgelöst wird.

   2. Einstellungsdateien

      Weitere Informationen finden Sie unter Laufparameter.

   3. Stammdaten

      Diese Dateien enthalten alle Daten, die von allen Aufträgen wiederverwendet werden können. Die Einbeziehung solcher Datendateien kann die Effizienz von Verteilungsaufträgen erhöhen. Sie können zum Beispiel eine Datendatei für konstante Werte wie die Entfernungen zwischen Städten einfügen. Sie können diese Datendatei in die Bereitstellung einbeziehen, so dass Sie sie nur einmal und nicht bei jeder Auftragsanfrage bereitstellen müssen.

   Hinweis: Bei Python mit mehreren ' .py -Dateien legen Sie alle Dateien in denselben Ordner in Ihrem Archiv. Der gleiche Ordner muss eine Hauptdatei namens " main.py enthalten. Verwenden Sie keine Unterordner.
2. Erstellen Sie ein einsatzbereites Modell und geben Sie die folgenden Informationen an:
   • watsonx.ai Runtime Dienst-Instanz
   • Bereitstellungsbereich-Instanz
   • die Hardware-Spezifikation für die verfügbaren Konfigurationsgrößen (kleines S, mittleres M, großes L, besonders großes XL). Siehe Konfigurationen.
   • Software-Spezifikation (Decision Optimization Laufzeitversion):
     • do_22.1 Die Laufzeit basiert auf CPLEX 22.1.1.0
     • do_20.1 Die Laufzeit basiert auf CPLEX 20.1.0.1

     Sie können die Software-Spezifikation erweitern, die vom watsonx.ai Runtime Service bereitgestellt wird. Siehe das ' ExtendWMLSoftwareSpec -Notizbuch im ' jupyter der DO-Samples.

     CPLEX-Laufzeiten aktualisieren:

     Wenn Sie Ihr Modell zuvor mit einer CPLEX-Laufzeit bereitgestellt haben, die nicht länger unterstützt wird, können Sie Ihr vorhandenes bereitgestelltes Modell aktualisieren, indem Sie entweder die REST-API oder die Benutzerschnittstelleverwenden.

   • Der Modelltyp:
     • opl (do-opl_<laufzeitversion>)
     • cplex (do-cplex_<Laufzeitversion>)
     • cpo (do-cpo_<runtime version>)
     • docplex (do-docplex_<Laufzeitversion>) mit Python 3.11 oder 3.10 (veraltet)

     (Die Laufzeitversion kann eine der verfügbaren Decision Optimization-Laufzeitversionen sein, so dass zum Beispiel ein opl-Modell mit Laufzeit 22.1 den Modelltyp do-opl_22.1 hat)

   Sie erhalten eine MODELL-ID.

   Ihr Modell kann in einem oder mehreren Einsätzen verwendet werden.

3. Laden Sie Ihr Modellarchiv hoch (tar.gz, ' .zip oder ' .jar Datei). Informationen über Eingabedateitypen finden Sie unter Modelleingabe- und Ausgabedatendateiformate für die Decision Optimization.
4. Stellen Sie Ihr Modell mit MODEL-ID, SPACE-IDund der Hardwarespezifikation für die verfügbaren Konfigurationsgrößen (klein S, mittel M, groß L, besonders groß XL) bereit. Siehe Konfigurationen. Sie können auch den zu verwendenden " anzahl der Knotenpunkte " angeben (der Standardwert ist 1).
   Sie erhalten eine Bereitstellungs-ID.
5. Überwachen Sie die Implementierung mithilfe der DEPLOYMENT-ID. Bereitstellungsstatus : initializing, updating, readyoder failed.