Decision Optimization korzysta z asynchronicznych interfejsów API systemu Watson Machine Learning w celu umożliwienia równoległego uruchamiania zadań.

Aby rozwiązać problem, można utworzyć nowe zadanie na podstawie wdrożenia modelu i powiązać z nim dane. Patrz sekcja Kroki wdrażania i przykład interfejsu REST API. Nie jest naliczana opłata za wdrożenie modelu. Opłata jest naliczana tylko w przypadku rozwiązania modelu z niektórymi danymi na podstawie czasu wykonywania.

Aby rozwiązać więcej niż jedno zadanie , podczas tworzenia wdrożenia należy określić więcej niż jeden węzeł. Na przykład w tym przykładzie interfejsu REST APIzwiększ liczbę węzłów , zmieniając wartość właściwości węzłów: "nodes" : 1.

Zasobniki (węzły)

Sposób obsługi utworzonego i wprowadzonego zadania zależy od bieżącej konfiguracji i zadań uruchomionych dla instancji Watson Machine Learning . Ten proces jest przedstawiony na poniższym diagramie.

1. Nowe zadanie zostanie wysłane do kolejki.
2. Jeśli zasobnik jest uruchomiony, ale bezczynny (nie wykonuje zadania), natychmiast rozpoczyna przetwarzanie tego zadania.
3. W przeciwnym razie, jeśli maksymalna liczba węzłów nie zostanie osiągnięta, zostanie uruchomiony nowy zasobnik. (Uruchomienie zasobnika może potrwać kilka sekund). Zadanie zostanie następnie przypisane do tego nowego zasobnika w celu przetwarzania.
4. W przeciwnym razie zadanie czeka w kolejce, aż jeden z działających zasobników zostanie zakończony i może odebrać oczekujące zadanie.

Konfiguracja zasobników o każdej wielkości jest następująca:

We wszystkich konfiguracjach 1 vCPU i 512 MB jest zarezerwowanych do użytku wewnętrznego.

Oprócz czasu rozwiązania, cena zależy od wybranej wielkości poprzez mnożnik.

W konfiguracji wdrożenia można również ustawić maksymalną liczbę węzłów, które mają być używane.

Bezczynne zasobniki są automatycznie zatrzymywane po przekroczeniu pewnego limitu czasu. Jeśli nowe zadanie zostanie wprowadzone, gdy nie ma żadnych zasobników, restart zasobnika zajmuje trochę czasu (około 30 sekund).

Przykład interfejsu REST API

Pełną procedurę wdrażania modelu i odsyłacze do dokumentacji Swagger można znaleźć w sekcji Przykład interfejsu REST API.

Przykład interfejsu API Python

Oprócz interfejsów API REST, z produktem Watson Machine Learning dostarczany jest interfejs API Python , dzięki czemu można łatwo tworzyć, wdrażać i używać modelu Decision Optimization z poziomu Python notebook.

Więcej informacji na ten temat zawiera przykład klientaPython.

Przykład notebook opisujący i dokumentujący wszystkie kroki jest dostępny w sekcji Przykłady.