オンライン配備の作成

最終更新: 2025年7月04日

オンライン配備の作成

予測または結果をリアルタイムで生成するために、機械学習モデル、 Decision Optimization ソリューション、または Python 関数のオンライン・デプロイメントを作成します。例えば、銀行の顧客が販売促進に登録するかどうかを予測するようにトレーニングされた分類モデルのオンライン・デプロイメントを作成します。新規顧客データをデプロイメント・エンドポイントに送信すると、リアルタイムで予測が返されます。

オンライン・デプロイメントのデプロイ可能なアセット・タイプ

以下のタイプの資産に対してオンライン・デプロイメントを作成できます。

機能
モデル
- AutoAI モデル
- Decision Optimization モデル
- ファイルからインポートされたモデル
- サポートされるフレームワークを使用して作成されたモデル
- SPSS Modeler モデル

制約事項:

R ShinyアプリケーションアセットをデプロイすることはできませんCloud Pak for Data as a Service。

オンライン・デプロイメントを作成する方法

オンライン・デプロイメントは、以下のいずれかの方法で作成できます。

コードなしのアプローチを使用して、デプロイメント・スペースからオンライン・デプロイメントを作成します。
コードを使用して、ノートブックを使用してプログラマチックにオンライン・デプロイメントを作成します。

オンラインデプロイメント作成すると、エンドポイント URL が生成されます。エンドポイント( URL )を使用して、デプロイメントテストしたり、デプロイメントアプリケーションに含めることができます。

始める前に

APIキーを生成して、タスクの認証情報を設定する必要があります。詳細については、タスク資格情報の管理を参照のこと。

デプロイメント・スペースからのオンライン・デプロイメントの作成

デプロイメント・スペースからオンライン・デプロイメントを作成するには、以下の手順を実行します。

スペースにデプロイする資産をプロモートするか追加します。詳しくは、「デプロイメント・スペース内の資産」を参照してください。
「アセット」ページで、アクション・メニューから 「デプロイ」 をクリックします。
「デプロイメントの詳細」ページで、 「新規デプロイメント」をクリックします。
デプロイメント・タイプとして オンライン を選択してください。
デプロイメントの名前と説明 (オプション) を指定します。
「サービス名」 フィールドを使用して、デプロイメント ID ではなくデプロイメントの名前を指定します。
注:
- サービス名は、名前空間内で固有のものでなければなりません。
- サービス名には、[a-z,0-9, _] の文字のみを含める必要があり、最大 36 文字の長さでなければなりません。
- サーブ名は予測の一部としてのみ機能する URL。場合によっては、デプロイメント ID を使用する必要があります。
オプション: Python 関数、 Tensorflow モデル、またはカスタム・ソフトウェア仕様を使用するモデルをデプロイする場合は、ハードウェア仕様を選択します。例えば、デプロイメントをスケーリングする場合は、ハードウェア・リソースを増やすことができます。

制約事項:
デプロイメント・スペースのユーザー・インターフェースからカスタム・ハードウェア仕様を作成したり選択したりすることはできません。ハードウェア仕様を作成および選択する方法について詳しくは、デプロイメントのためのハードウェア仕様の管理を参照してください。
オプション: 資産と互換性のあるソフトウェア仕様を選択します。機能のソフトウェア仕様のみを選択できます。
作成をクリックして、デプロイメントを作成します。

オンライン・デプロイメントのテスト

オンライン・デプロイメントをテストするには、以下の手順を実行します。

スペースの 「デプロイメント」 タブで、デプロイメント名をクリックします。
「テスト」 タブをクリックしてデータを入力し、デプロイ済み資産から予測またはその他の応答を取得します。

オンライン・デプロイメントのテスト・データを提供する方法は、デプロイした資産のタイプによって異なります。ほとんどのアセットでは、テスト・データをフォームに直接入力したり、テスト・データを含むファイルをアップロードしたり、テスト・データを JSON コードとして貼り付けたりすることができます。例えば、分類モデルのテスト・インターフェースを以下に示します。

オンライン・デプロイメントをテストするための入力データの入力

注:

テスト・データを提供する場合:

デプロイされたモデルにスキーマが定義されている場合、テスト・データは同じスキーマを使用する必要があります。例えば、分類モデルの場合、予測列を省略して、同じ列を使用してテスト・データを入力します。

デプロイメントをテストするためのサンプル JSON コード

デプロイメントのペイロードまたは入力データとして JSON コードを送信する場合、入力データはデプロイされた資産の要件と一致する必要があります。

例えば、スキーマを持つモデルの場合、 fields はデータの列ヘッダーと一致する必要があり、 values にはデータが (同じ順序で) 含まれている必要があります。次の形式を使用します。

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

この例を参照してください：

{"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"]]
}]}

注:

JSON 入力のフォーマット設定の場合:

すべてのストリングは二重引用符で囲まれます。辞書の Python 表記は似ていますが、単一引用符で囲まれた Python ストリングは JSON データでは受け入れられません。
欠落している値を nullで示します。

オンライン・デプロイメントのエンドポイントの取得

次の手順に従って、オンラインデプロイメントエンドポイント URL を取得し、アプリケーションからデプロイメントアクセスできるようにします：

スペースの 「デプロイメント」 タブで、デプロイメント名をクリックします。
「API リファレンス」 タブで、プライベート・エンドポイントとパブリック・エンドポイントのリンクを見つけます。また、 Pythonや Java などのさまざまなプログラミング言語でコード・スニペットを検索して、エンドポイントの詳細をアプリケーションに組み込むこともできます。

注:

オンライン・デプロイメントの作成時に 「サービス名」 を追加した場合は、2 つのエンドポイント URL が表示されます。最初の URL にはデプロイメント IDが、2番目の URL にはサービング名が含まれています。これらの URL のいずれかをデプロイメントで使用できます。

オンライン・デプロイメントの詳細へのアクセス

デプロイメントの詳細を確認または更新するには、以下の手順を実行します。

スペースの 「デプロイメント」 タブで、デプロイメント名をクリックします。
「デプロイメントの詳細」 タブをクリックして、オンライン・デプロイメントに関連する情報にアクセスします。

ノートブックを使用したプログラムによるオンライン・デプロイメントの作成

以下を使用して、オンライン・デプロイメントをプログラマチックに作成できます。

watsonx.aiRuntimeREST API。
watsonx Python クライアント・ライブラリー。

watsonx.aiRuntimePythonクライアントを使用してデプロイメントを作成・管理する方法を示したサンプル・ノートブックにアクセスするには、機械学習のサンプルと例をご覧ください。

プログラムによるオンライン・デプロイメントのテスト

オンライン・デプロイメントをプログラマチックにテストするには、デプロイされた資産の既存のモデル要件のスキーマに一致するペイロードを準備する必要があります。例えば、分類モデルの入力データ (ペイロード) は、デプロイされたモデルのスキーマと一致する必要があります。分類モデルの以下のサンプルは、モデル・スキーマに完全に一致する列と値を持つテスト・データを提供します。

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}]}