Dopo aver creato il servizio di IA, è possibile testare la logica di codifica del servizio di IA utilizzando la libreria client watsonx.ai Python.
Testare i servizi di intelligenza artificiale con la libreria client Python
Per testare la logica del servizio di IA in locale utilizzando la classe " RuntimeContext
della libreria client Python watsonx.ai, seguire i seguenti passaggi:
Utilizzare la classe "
RuntimeContext
della libreria client di Python per testare il servizio di intelligenza artificiale in locale:from ibm_watsonx_ai.deployments import RuntimeContext context = RuntimeContext( api_client=client, request_payload_json={} ) # custom is optional argument which is specified during the time of creation of deployment custom_object = {"space_id": space_id} generate, generate_stream, generate_batch = basic_generate_demo(context, **custom_object)
Per ulteriori informazioni, consultare la documentazione della libreria client Python diwatsonx.ai per l'utilizzo di '
RuntimeContext
per i servizi di IA.A seconda del caso d'uso, è possibile testare le funzioni '
generate()
, 'generate_stream()
o 'generate_batch()
come segue:Per testare la funzione generate():
context.request_payload_json = { "test": "ai_service inference payload"} print(generate(context))
Per testare la funzione generate_stream():
context.request_payload_json = {"sse": ["ai_service_stream", "inference", "test"]} for data in generate_stream(context): print(data)
Per testare la funzione generate_batch():
input_data_references = [ { "type": "connection_asset", "connection": {"id": "2d07a6b4-8fa9-43ab-91c8-befcd9dab8d2"}, "location": { "bucket": "wml-v4-fvt-batch-pytorch-connection-input", "file_name": "testing-123", }, } ] output_data_reference = { "type": "data_asset", "location": {"name": "nb-pytorch_output.zip"}, } generate_batch(input_data_references, output_data_reference)
Ulteriori informazioni
Argomento principale: Distribuzione di servizi AI con codifica diretta