Softwarespezifikationen über die Benutzerschnittstelle aktualisieren

1. Klicken Sie im Bereitstellungsbereich auf das Modell (stellen Sie sicher, dass es keine aktiven Bereitstellungen hat)
2. Klicken Sie auf das Symbol i , um die Modelldetails zu überprüfen.
3. Aktualisieren Sie die Softwarespezifikation mithilfe der Dropdown-Liste.

Sehen Sie sich das Beispielbild an:

Softwarespezifikationen mit der API aktualisieren

Sie können eine Softwarespezifikation mit dem API-Patchbefehl aktualisieren:

Geben Sie im Feld software_spec den Wert /software_specein. Verwenden Sie für das Feld value die ID oder den Namen der neuen Softwarespezifikation.

Sehen Sie sich dieses Beispiel an:

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"
      }
   }
]'

Weitere Informationen finden Sie unter Asset mithilfe des Patch-API-Befehls Aktualisieren.

Option 1: Modell mit einem kompatiblen Framework speichern

1. Laden Sie das Modell herunter, indem Sie entweder die watsonx.ai Runtime Data and AI Common Core API oder die watsonx.ai Python Client Library verwenden.

   Das folgende Beispiel zeigt, wie Sie Ihr Modell herunterladen:

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

2. Bearbeiten Sie Modellmetadaten mit dem Modelltyp und der Version, die im aktuellen Release unterstützt werden. Weitere Informationen finden Sie unter Softwarespezifikationen und Hardwarespezifikationen für Implementierungen.

   Das folgende Beispiel zeigt, wie Modellmetadaten bearbeitet werden:

   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. Speichern Sie das Modell im watsonx.ai Runtime Repository. Das folgende Beispiel zeigt, wie das Modell im Repository gespeichert wird:

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

4. Stellen Sie das Modell bereit.

5. Führen Sie ein Scoring für das Modell durch, um Vorhersagen zu generieren.

Wenn die Bereitstellung oder das Scoring fehlschlägt, ist das Modell nicht mit der neuen Version kompatibel, die zum Speichern des Modells verwendet wurde. Verwenden Sie in diesem Fall Option 2.

Option 2: Modell mit einem kompatiblen Framework neu trainieren

1. Trainieren Sie das Modell mit einem Modelltyp und einer Version, die in der aktuellen Version unterstützt werden.
2. Speichern Sie das Modell mit dem unterstützten Modelltyp und der unterstützten Version.
3. Stellen Sie das Modell bereit und führen Sie ein Scoring durch.

Es ist auch möglich, ein Modell mithilfe der API zu aktualisieren. Weitere Informationen finden Sie unter Asset mithilfe des Patch-API-Befehls Aktualisieren.

Option 1: Speichern Sie die Funktion Python mit einer kompatiblen Laufzeit-oder Softwarespezifikation.

1. Laden Sie die Python herunter, indem Sie entweder die watsonx.ai Runtime REST API oder die watsonx.ai Python Client Library verwenden.
2. Speichern Sie die Python-Funktion mit einer unterstützten Laufzeit-oder Softwarespezifikationsversion. Weitere Informationen finden Sie unter Softwarespezifikationen und Hardwarespezifikationen für Implementierungen.
3. Stellen Sie die Python-Funktion bereit.
4. Führen Sie ein Scoring für die Python-Funktion durch, um Vorhersagen zu generieren.

Wenn Ihre Funktion Python während des Scorings fehlschlägt, ist die Funktion nicht mit der neuen Laufzeit-oder Softwarespezifikationsversion kompatibel, die zum Speichern der Funktion Python verwendet wurde. Verwenden Sie in diesem Fall Option 2.

Option 2: Funktionscode ändern und mit einer kompatiblen Laufzeit- oder Softwarespezifikation speichern

1. Ändern Sie den Code der Python-Funktion so, dass er mit der neuen Version der Laufzeit- oder Softwarespezifikation kompatibel ist. In einigen Fällen müssen Sie abhängige Bibliotheken aktualisieren, die im Funktionscode Python installiert sind.
2. Speichern Sie die Python-Funktion mit der neuen Laufzeit-oder Softwarespezifikationsversion.
3. Stellen Sie die Python-Funktion bereit und führen Sie ein Scoring durch.

Es ist auch möglich, eine Funktion mithilfe der API zu aktualisieren. Weitere Informationen finden Sie unter Asset mithilfe des Patch-API-Befehls Aktualisieren.