Podporované rámce

Implementace online je podporována v těchto rámcích:

• PMML
• Funkce Python
• PyTorch-Onnx
• Tensorflow
• Scikit-výuka
• Spark MLlib
• SPSS
• XGBoost

Můžete vytvořit online implementaci z uživatelského rozhraní nebo programově.

Chcete-li odeslat data informačního obsahu do aktiva, které bylo nasazeno online (například ke klasifikaci dat nebo pro předpověď z dat), musíte znát adresu URL koncového bodu implementace. Podrobnosti naleznete v tématu Načtení koncového bodu implementace.

Kromě toho můžete:

• Otestujte nasazení online
• Přístup k podrobnostem o implementaci

Vytvoření online implementace z uživatelského rozhraní

1. V prostoru implementace klepněte na název aktiva, které chcete implementovat. Otevře se stránka s podrobnostmi.
2. Klepněte na volbu Vytvořit implementaci.
3. Jako typ implementace vyberte volbu Online .
4. Zadejte název a popis implementace.
5. Chcete-li zadat název, který má být použit místo ID implementace, použijte pole Název obslužného procesu .
   • Název je ověřován jako jedinečný v rámci oblasti cloudu IBM (všechny názvy ve specifickém regionu sdílejí globální obor názvů).
   • Název musí obsahovat pouze tyto znaky: [a-z,0-9, _] a musí mít délku maximálně 36 znaků.
   • Název servorování funguje pouze jako součást adresy URL předpovědi. V ostatních případech je třeba použít ID implementace.
6. Volitelné: Pokud implementujete, můžete vybrat specifickou specifikaci hardwaru :
   • Funkce Python
   • Modely Tensorflow
   • Modely s přizpůsobenými softwarovými specifikacemi
7. Chcete-li vytvořit implementaci, klepněte na tlačítko Vytvořit .

Programové vytvoření online implementace

Odkazy na ukázkové notebooky najdete v tématu Ukázky výukových programů pro počítače a příklady . Tyto notebooky demonstrují vytváření online implementací, které používají Watson Machine Learning REST API a Watson Machine Learning Python knihovna klienta.

Načtení koncového bodu implementace online

Adresu URL koncového bodu implementace můžete najít v následujících bodech:

• Na kartě Implementace vašeho prostoru klepněte na název implementace. Otevře se stránka s podrobnostmi implementace. Tento koncový bod můžete najít zde.
• Použití klienta Watson Machine Learning Python :
  1. Vypište implementace voláním metody klienta Python client.deployments.list()
  2. Najděte řádek s vaším nasazením. Adresa URL koncového bodu implementace je uvedena ve sloupci url .

Poznámky:

• Pokud jste do implementace přidali volbu Obsluhovat název , na obrazovce se zobrazí dvě alternativní adresy URL koncových bodů; jeden obsahující ID implementace a druhý bude obsahovat vaše obsluhující název. S nasazením můžete použít jednu z těchto adres URL.
• Karta Odkaz na rozhraní API také zobrazuje úseky kódu v různých programovacích jazycích, které ilustrují, jak přistupovat k implementaci.

Další informace o koncových bodech naleznete v tématu Adresy URL koncového bodu.

Testování implementace online

Na kartě Implementace vašeho prostoru klepněte na název implementace. Otevře se stránka s podrobnostmi implementace. Karta Test poskytuje místo, kam můžete zadat data a získat predikci zpět z implementovaného modelu. Má-li váš model definované schéma, formulář se zobrazí na obrazovce. Ve formuláři můžete zadat data jedním z těchto způsobů:-Zadat data přímo do formuláře-Stáhnout šablonu CSV, zadat hodnoty a odeslat vstupní data-Odeslat soubor, který obsahuje vstupní data z lokálního systému souborů nebo z prostoru-Změnit na kartu JSON a zadat vstupní data jako kód JSON bez ohledu na metodu, vstupní data se musí shodovat se schématem modelu. Odešlete vstupní data a získejte skóre nebo předpověď, zpět.

{"input_data":[{
        "fields": [<field1>, <field2>, ...],
        "values": [[<value1>, <value2>, ...]]
}]}

{"input_data":[{
        "fields": ["PassengerId","Pclass","Name","Sex","Age","SibSp","Parch","Ticket","Fare","Cabin","Embarked"],
        "values": [[1,3,"Braund, Mr. Owen Harris",0,22,1,0,"A/5 21171",7.25,null,"S"]]
}]}

model_details = client.repository.get_details("<model_id>")  # retrieves details and includes schema
columns_in_schema = []
for i in range(0, len(model_details['entity']['schemas']['input'][0].get('fields'))):
    columns_in_schema.append(model_details['entity']['schemas']['input'][0].get('fields')[i]['name'])

X = X[columns_in_schema] # where X is a pandas dataframe that contains values to be scored
#(...)
scoring_values = X.values.tolist()
array_of_input_fields = X.columns.tolist()
payload_scoring = {"input_data": [{"fields": [array_of_input_fields],"values": scoring_values}]}

Přístup k podrobnostem online implementace

Chcete-li přistoupit k vašim informacím o implementaci online: Na kartě Implementace vašeho prostoru klepněte na název implementace a poté klepněte na kartu Podrobnosti implementace . Karta Podrobnosti implementace obsahuje specifické informace související s momentálně otevřenou online implementací a umožňuje přidání modelu do soupisu modelu, aby bylo možné povolit sledování aktivit a porovnání modelů.

Další informace

Podrobnosti o správě úloh implementace a aktualizaci, škálování nebo odstranění online implementace najdete v tématu Aktiva v prostorech implementace .

Nadřízené téma: Správa prediktivních implementací