Actualización de especificaciones de software desde la interfaz de usuario

1. En el espacio de despliegue, pulse el modelo (asegúrese de que no tenga ningún despliegue activo).
2. Pulse el símbolo i para comprobar los detalles del modelo.
3. Utilice la lista desplegable para actualizar la especificación de software.

Consulte la imagen de ejemplo:

Actualización de especificaciones de software utilizando la API

Puede actualizar una especificación de software utilizando el mandato de parche de API:

Para el campo software_spec , escriba /software_spec. Para el campo value , utilice el ID o el nombre de la nueva especificación de software.

Consulte este ejemplo:

curl -X PATCH '<deployment endpoint url>/ml/v4/models/6f01d512-fe0f-41cd-9a52-1e200c525c84?space_id=f2ddb8ce-7b10-4846-9ab0-62454a449802&project_id=<project_id>&version=<YYYY-MM-DD>' \n--data-raw '[
   {
      "op":"replace",
      "path":"/software_spec",
      "value":{
         "id":"6f01d512-fe0f-41cd-9a52-1e200c525c84"   // or "name":"tensorflow_rt22.1-py3.9"
      }
   }
]'

Para obtener más información, consulte Actualización de un activo utilizando el mandato Patch API.

Opción 1: Guardar el modelo con una infraestructura compatible

1. Descargue el modelo utilizando el Runtime ' watsonx.ai ' API de datos e inteligencia artificial o el ' watsonx.ai ' ' biblioteca cliente Python .

   El ejemplo siguiente muestra cómo descargar el modelo:

   client.repository.download(<model-id>, filename="xyz.tar.gz")
   

2. Edite los metadatos del modelo con el tipo de modelo y la versión soportados en el release actual. Para obtener más información, consulte Especificaciones de software y especificaciones de hardware para despliegues.

   El ejemplo siguiente muestra cómo editar metadatos de modelo:

   model_metadata = {
      client.repository.ModelMetaNames.NAME: "example model",
      client.repository.ModelMetaNames.DESCRIPTION: "example description",
      client.repository.ModelMetaNames.TYPE: "<new model type>",
      client.repository.ModelMetaNames.SOFTWARE_SPEC_UID:
      client.software_specifications.get_uid_by_name("<new software specification name>")
   }
   

3. Guarda el modelo en el repositorio watsonx.ai Runtime. El ejemplo siguiente muestra cómo guardar el modelo en el repositorio:

   model_details = client.repository.store_model(model="xyz.tar.gz", meta_props=model_metadata)
   

4. Despliegue el modelo.

5. Puntúe el modelo para generar predicciones.

Si el despliegue o la puntuación fallan, el modelo no es compatible con la nueva versión que se utilizó para guardar el modelo. En este caso, utilice la Opción 2.

Opción 2: Volver a entrenar el modelo con una infraestructura compatible

1. Vuelva a entrenar el modelo con un tipo de modelo y una versión soportados en la versión actual.
2. Guarde el modelo con el tipo de modelo y la versión soportados.
3. Despliegue y puntúe el modelo.

También es posible actualizar un modelo utilizando la API. Para obtener más información, consulte Actualización de un activo utilizando el mandato Patch API.

Opción 1: Guardar la función Python con una especificación de tiempo de ejecución o de software compatible

1. Descargue la función ' Python ' utilizando el Runtime ' watsonx.ai ' ' API REST o el ' watsonx.ai ' ' biblioteca cliente Python .
2. Guarde la función de Python con una versión de especificación de software o tiempo de ejecución soportada. Para obtener más información, consulte Especificaciones de software y especificaciones de hardware para despliegues.
3. Despliegue la función de Python.
4. Puntúe la función de Python para generar predicciones.

Si la función Python falla durante la puntuación, la función no es compatible con la nueva versión de especificación de tiempo de ejecución o software que se ha utilizado para guardar la función Python . En este caso, utilice la Opción 2.

Opción 2: Modificar el código de función y guardarlo con una especificación de tiempo de ejecución o software compatible

1. Modifique el código de función de Python para que sea compatible con la nueva versión de especificación de software o tiempo de ejecución. En algunos casos, debe actualizar las bibliotecas dependientes que están instaladas dentro del código de función Python .
2. Guarde la función de Python con la nueva versión de especificación de software o tiempo de ejecución.
3. Despliegue y puntúe la función de Python.

También es posible actualizar una función utilizando la API. Para obtener más información, consulte Actualización de un activo utilizando el mandato Patch API.