Tworzenie zadania wdrożenia wsadowego

Podczas tworzenia zadania wdrożenia wsadowego należy wykonać następujące kroki.

1. Na karcie Deployments (Wdrożenia) wybierz wdrożenie.
2. Kliknij opcję Nowe zadanie.
3. Wprowadź nazwę i opis zadania.
4. Wybierz specyfikację sprzętu.
5. Opcjonalnie: jeśli wdrażany jest skrypt Python , skrypt R lub notatnik, można wprowadzić zmienne środowiskowe w celu przekazania parametrów do zadania.
6. Opcjonalnie: skonfiguruj opcje czasu przechowywania.
   Aby uniknąć zużywania zasobów przez zachowanie wszystkich historycznych metadanych zadania, można ustawić progi w celu zapisania ustawionej liczby uruchomień zadania i powiązanych dzienników lub ustawić próg czasu dla zapisywania artefaktów na określoną liczbę dni.
7. Opcjonalnie: zaplanuj zadanie.
   Jeśli nie określono harmonogramu, zadanie zostanie uruchomione natychmiast.
8. Opcjonalnie: wybierz zdarzenia związane z pracą, które wyzwalają powiadomienia w usłudze Watson Machine Learning. Można wybrać trzy typy zdarzeń: sukces, ostrzeżenie i niepowodzenie.
9. W panelu Dane wejściowe z menu Zasób danych wybierz typ danych wejściowych:
   • Aby wprowadzić ładunek w formacie JSON, wybierz opcję Dane wstawianie. Przykład ładunku JSON zawiera sekcja Przykładowy ładunek JSON dla danych wstawianych.
   • Aby określić wejściowe źródło danych, wybierz opcję Zasób danych, kliknij opcję Wybierz źródło danych, a następnie określ zasób.
10. W panelu Dane wyjściowe w menu Zasób danych wybierz typ danych wyjściowych:
    • Aby zapisać wyniki zadania w nowym pliku wyjściowym, wybierz opcję Utwórz nowy , a następnie podaj nazwę i opcjonalny opis.
    • Aby zapisać wyniki zadania w istniejącym zasobie danych, wybierz opcję Zasób danych, kliknij opcję Wybierz źródło danych, a następnie określ zasób do zastąpienia.
11. Kliknij makro Create.

Uwagi:

• Zaplanowane zadania są wyświetlane na karcie Zadania w obszarze wdrażania.

• Wyniki uruchomienia zadania są zapisywane w określonym pliku wyjściowym i zapisywane jako zasób obszaru.

• Zasób danych może być plikiem źródła danych, który został awansowany do obszaru, połączonym źródłem danych lub tabelami z baz danych i plików z plikowych źródeł danych.

• Jeśli w harmonogramie zadań zostaną wykluczone określone dni robocze, zadanie może nie zostać uruchomione zgodnie z oczekiwaniami. Przyczyną jest rozbieżność między strefą czasową użytkownika, który utworzył harmonogram, a strefą czasową węzła głównego, w którym zadanie jest uruchamiane.

• Podczas tworzenia lub modyfikowania zaplanowanego zadania generowany jest klucz API. Ten klucz API będzie używany w przyszłych uruchomieniach.

{
  "deployment": {
    "id": "<deployment id>"
  },
  "space_id": "<your space id>",
  "name": "test_v4_inline",
  "scoring": {
  "input_data": [{
    "fields": ["AGE", "SEX", "BP", "CHOLESTEROL", "NA", "K"],
    "values": [[47, "M", "LOW", "HIGH", 0.739, 0.056], [47, "M", "LOW", "HIGH", 0.739, 0.056]]
    }]
  }
}

Kolejkowanie i współbieżne wykonania zadań

Maksymalna liczba współbieżnych zadań dla każdego wdrożenia jest obsługiwana wewnętrznie przez usługę wdrażania. W przypadku wdrażania wsadowego domyślnie dwa zadania mogą być wykonywane współbieżnie. Każde żądanie zadania wdrażania dla wdrożenia wsadowego, które ma już dwa uruchomione zadania, jest umieszczane w kolejce w celu późniejszego wykonania. Po zakończeniu dowolnego uruchomionego zadania uruchamiane jest następne zadanie w kolejce. Kolejka nie ma limitu wielkości.

Ograniczenie dotyczące używania dużych ładunków wstawianych na potrzeby wdrożeń wsadowych

Zadania wdrożenia wsadowego, które używają dużego ładunku wstawianego, mogą utknąć w stanie starting lub running . Więcej informacji na ten temat zawiera sekcja Znane problemy i ograniczenia dotyczące produktu Watson Machine Learning.

Przechowywanie metadanych zadania wdrażania

Metadane powiązane z zadaniem są utrwalane i dostępne do czasu usunięcia zadania i jego wdrożenia.

Temat nadrzędny: Zarządzanie wdrożeniami predykcyjnymi