Decision Optimization使用 "watsonx.ai运行时间异步应用程序接口，以便并行运行作业。

要解决问题，您可以从模型部署创建新作业并将数据与其关联。 请参阅 部署步骤 和 REST API 示例。 部署模型不会向您收费。 根据运行时间，仅对具有某些数据的模型进行求解。

要一次解析多个作业，请在创建部署时指定多个节点。 例如，在此 REST API 示例中，通过更改节点属性 "nodes" : 1的值来递增 节点数 。

POD（节点）

创建和提交作业时，处理方式取决于watsonx.aiRuntime实例的当前配置和正在运行的作业。 下图中显示了此过程。

1. 将新作业发送到队列。
2. 如果 POD 已启动但处于空闲状态 (未运行作业) ，那么它将立即开始处理此作业。
3. 否则，如果未达到最大节点数，那么将启动新的 POD。 (启动 POD 可能需要几秒钟)。 然后，将该作业分配给此新 POD 以进行处理。
4. 否则，作业将在队列中等待，直到其中一个正在运行的 POD 已完成，并且可以选取正在等待的作业。

每个大小的 POD 配置如下所示：

对于所有配置，保留 1 个 vCPU 和 512 MB 以供内部使用。

除了求解时间外，定价还取决于通过乘数选择的大小。

在部署配置中，还可以设置要使用的最大节点数。

在超时后，空闲 POD 将自动停止。 如果在没有 POD 启动时提交新作业，那么 POD 重新启动需要一些时间 (大约 30 秒)。

基于运行时的定价 (CUH)

仅对作业求解时间收费: POD 的空闲时间 不 收费。

根据所使用 POD 的大小，将使用不同的乘数来计算所使用的容量单位小时数 (CUH)。

REST API 示例

有关部署模型的完整过程以及指向 Swagger 文档的链接，请参阅 REST API 示例。

Python API 示例

除了 REST API 之外，watsonx.aiRuntime还提供了PythonAPI，这样您就可以通过Python"notebook轻松创建、部署和使用Decision Optimization模型。

有关更多信息，请参阅 Python 客户机示例。

描述和记录所有步骤的示例 notebook 可从 资源中心获取。