Un job est un moyen d'exécuter un déploiement par lots, un script ou un notebook dans watsonx.ai Runtime. Vous pouvez choisir d'exécuter un travail manuellement ou selon une planification que vous spécifiez. Une fois que vous avez créé un ou plusieurs travaux, vous pouvez les afficher et les gérer à partir de l'onglet Travaux de votre espace de déploiement.
Dans l'onglet Travaux de votre espace, vous pouvez :
- Visualiser la liste des travaux de votre espace
- Visualiser les détails de chaque travail. Vous pouvez modifier les paramètres de planification d'un travail et sélectionner un autre modèle d'environnement.
- Surveiller les exécutions de travail
- Supprimer des travaux
Consultez les sections suivantes pour connaître les différents aspects de la gestion des travaux:
- Création d'un travail pour un déploiement par lot
- Affichage des travaux dans un espace
- Gestion de la conservation des métadonnées des travaux
Avant de commencer
Vous devez définir les informations d'identification de votre tâche en générant une clé API. Pour plus d'informations, voir Gestion des informations d'identification des tâches.
Création d'un travail pour un déploiement par lot
Pour savoir comment créer un travail pour un déploiement par lots, voir Création de travaux dans un déploiement par lots.
Affichage des travaux dans un espace
Vous pouvez afficher tous les travaux qui existent pour votre espace de déploiement à partir de la page Travaux. Vous pouvez également supprimer un travail.
Pour afficher les détails d'un travail spécifique, cliquez sur le travail. Dans la page des détails du travail, vous pouvez effectuer les opérations suivantes:
Afficher les exécutions de ce travail et le statut de chaque exécution. Si une exécution a échoué, vous pouvez la sélectionner et afficher la queue de journal ou télécharger l'intégralité du fichier journal pour vous aider à traiter les incidents relatifs à l'exécution. L'échec d'une exécution peut être lié à un problème d'environnement ou de connexion temporaire. Essayez d'exécuter à nouveau le travail. Si le travail échoue toujours, vous pouvez envoyer le journal au service clients.
Lorsqu'un travail est en cours d'exécution, un indicateur de progression sur la page d'informations affiche des informations sur la progression relative de l'exécution. Vous pouvez utiliser l'indicateur de progression pour surveiller une exécution longue.
Modifiez les paramètres de planification ou sélectionnez un autre modèle d'environnement.
Exécutez le travail manuellement en cliquant sur l'icône d'exécution dans la barre d'actions du travail. Vous devez désélectionner la planification pour exécuter le travail manuellement.
Gestion de la conservation des métadonnées des travaux
Le plan watsonx.ai Runtime associé à votre compte IBM Cloud fixe des limites au nombre de déploiements en cours d'exécution et stockés que vous pouvez créer. Si vous dépassez votre limite, vous ne pouvez pas créer de nouveaux déploiements tant que vous n'avez pas supprimé des déploiements existants ou mis à niveau votre plan. Pour plus d'informations, voir les plans d'exécution dewatsonx.ai
Gestion de la conservation et de la suppression des métadonnées à l'aide d'un programme
Si vous gérez un travail à l'aide d'un programme à l'aide du client Python ou de l'API REST, vous pouvez extraire des métadonnées du noeud final de déploiement à l'aide de la méthode GET pendant les 30 jours.
Pour conserver les métadonnées pendant plus ou moins de 30 jours, modifiez le paramètre de requête de la valeur par défaut retention=30 pour la méthode POST pour remplacer la valeur par défaut et conserver les métadonnées.
Si vous remplacez la valeur par retention=-1 , la suppression automatique est annulée et les métadonnées sont préservées.
Pour supprimer un travail par programme, spécifiez le paramètre de requête " hard_delete=true pour la méthode " DELETE du moteur d'exécution watsonx.ai afin de supprimer complètement les métadonnées du travail.
L'exemple suivant montre comment utiliser la méthode DELETE :
DELETE /ml/v4/deployment_jobs/{JobsID}
Apprendre à partir d'exemples
Reportez-vous à Machine learning samples and examples pour des liens vers des exemples de carnets de notes qui démontrent la création de déploiements et de tâches par lots en utilisant l'API REST de watsonx.ai Runtime et la bibliothèque clientPython de watsonx.ai
Rubrique parent: Gestion des déploiements prédictifs