UI에서 소프트웨어 스펙 업데이트

1. 배치 영역에서 모델을 클릭하십시오. (활성 배치가 없는지 확인하십시오.)
2. i 기호를 클릭하여 모델 세부사항을 확인하십시오.
3. 드롭 다운 목록을 사용하여 소프트웨어 스펙을 업데이트하십시오.

예제 이미지를 참조하십시오.

API를 사용하여 소프트웨어 스펙 업데이트

API 패치 명령을 사용하여 소프트웨어 스펙을 업데이트할 수 있습니다.

software_spec 필드에 /software_spec를 입력하십시오. value 필드의 경우 새 소프트웨어 스펙의 ID 또는 이름을 사용하십시오.

다음 예제를 참조하십시오.

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"
      }
   }
]'

자세한 정보는 패치 API 명령을 사용하여 자산 업데이트를 참조하십시오.

옵션 1: 호환 가능한 프레임워크가 포함된 모델 저장

1. watsonx.ai 런타임 데이터 및 AI 공통 코어 API 또는 watsonx.ai Python 클라이언트 라이브러리를 사용하여 모델을 다운로드하세요.

   다음 예제는 모델을 다운로드하는 방법을 보여줍니다.

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

2. 현재 릴리스에서 지원되는 모델 유형 및 버전으로 모델 메타데이터를 편집합니다. 자세한 정보는 배치를 위한 소프트웨어 스펙 및 하드웨어 스펙을 참조하십시오.

   다음 예제는 모델 메타데이터를 편집하는 방법을 보여줍니다.

   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. 모델을 watsonx.ai 런타임 리포지토리에 저장합니다. 다음 예제는 모델을 저장소에 저장하는 방법을 보여줍니다.

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

4. 모델을 배치하십시오.

5. 예측을 생성하도록 모델을 스코어링하십시오.

배포 또는 스코어링이 실패하면 모델은 모델 저장에 사용된 새 버전과 호환되지 않습니다. 이 경우 옵션 2를 사용하십시오.

옵션 2: 호환 가능한 프레임워크로 모델 다시 훈련

1. 현재 버전에서 지원되는 모델 유형 및 버전으로 모델을 다시 훈련시키십시오.
2. 지원되는 모델 유형 및 버전으로 모델을 저장하십시오.
3. 모델을 배치하고 스코어링하십시오.

API를 사용하여 모델을 업데이트할 수도 있습니다. 자세한 정보는 패치 API 명령을 사용하여 자산 업데이트를 참조하십시오.

옵션 1: 호환 가능한 런타임 또는 소프트웨어 스펙을 사용하여 Python 함수 저장

1. watsonx.ai 런타임 REST API 또는 watsonx.ai Python 클라이언트 라이브러리를 사용하여 Python 함수를 다운로드하세요.
2. 지원되는 런타임 또는 소프트웨어 스펙 버전으로 Python 함수를 저장하십시오. 자세한 정보는 배치를 위한 소프트웨어 스펙 및 하드웨어 스펙을 참조하십시오.
3. Python 함수를 배치하십시오.
4. 예측을 생성하도록 Python 함수를 스코어링하십시오.

스코어링 중에 Python 함수가 실패하는 경우 이 함수는 Python 함수를 저장하는 데 사용된 새 런타임 또는 소프트웨어 스펙 버전과 호환되지 않습니다. 이 경우 옵션 2를 사용하십시오.

옵션 2: 함수 코드 수정 및 호환 가능 런타임 또는 소프트웨어 스펙을 사용한 저장

1. 새 런타임 또는 소프트웨어 스펙 버전과 호환 가능하도록 Python 함수 코드를 수정하십시오. 일부 경우에는 Python 함수 코드 내에 설치된 종속 라이브러리를 업데이트해야 합니다.
2. 새 런타임 또는 소프트웨어 스펙 버전으로 Python 함수를 저장하십시오.
3. Python 함수를 배치하고 스코어링하십시오.

API를 사용하여 함수를 업데이트할 수도 있습니다. 자세한 정보는 패치 API 명령을 사용하여 자산 업데이트를 참조하십시오.