Sie können ein Natural Language Processing-Modell in watsonx.ai Runtime mit Hilfe von Python oder Python einsetzen. Sowohl Online-als auch Stapelbereitstellungen werden unterstützt.

• Sie können eine Python Funktion für Online- und Inline-Batchbereitstellungen und ein Python Skript für Batch-Datenreferenzbereitstellungen bereitstellen.
• Die von <model>.run() zurückgegebene Vorhersageausgabe ist ein Objekt einer Klasse, die für die Vorhersageklasse des betreffenden Datenmodells spezifisch ist (z. B. watson_nlp.data_model.syntax.SyntaxPrediction ). Solche Objekte können nicht in das JSON-Format serialisiert werden, daher muss die Vorhersageausgabe mithilfe der Methoden <prediction output>.to_dict() (empfohlen) oder <prediction output>.to_json() entweder in den Python Wörterbuchtyp oder in JSON konvertiert werden. Wenn Sie die Ausgabe nicht konvertieren, geben Scoring-API-Anfragen einen Fehler zurück. Siehe Beispiel für die Handhabung der Vorhersageausgabe eines NLP-Modells .
• Sie können auf den Speicherort vortrainierter Watson NLP-Modelle im Python Funktionscode zugreifen, indem Sie die Umgebungsvariable LOAD_PATH verwenden.
• Die Eingabenutzdaten für die Vorhersage und die Vorhersageantwort, die von score() zurückgegeben werden, müssen die Anforderungen erfüllen, die in der API-Dokumentation für Online-Scoring und Jobsaufgelistet sind.
• Scoring-Anforderungen für NLP-Modelle können mit einem Out of Memory -Fehler fehlschlagen, der von der zugrunde liegenden JVM-Laufzeit gemeldet wird. Wenn ein Fehler gemeldet wird, korrigieren Sie die Implementierung, um eine Hardwarespezifikation mit mehr verfügbarem Speicher zu verwenden.

import watson_nlp

# Load the syntax model for English
syntax_model = watson_nlp.load('syntax_izumo_en_stock')

# Run the syntax model and print the result
syntax_prediction = syntax_model.run('Welcome to IBM!')
print(syntax_prediction)

import watson_nlp
entities_workflow = watson_nlp.load('entity-mentions_transformer-workflow_multilingual_slate.153m.distilled')
entities = entities_workflow.run('IBM\'s CEO Arvind Krishna is based in the US', language_code="en")
print(entities.get_mention_pairs())

    for input_data in input_data_row:
        targets_sentiments = targets_sentiment_model.run(input_data)
        scoring_prediction_row.append(targets_sentiments.to_dict())