Mise à jour des spécifications logicielles à partir de l'interface utilisateur

1. Dans l'espace de déploiement, cliquez sur le modèle (assurez-vous qu'il n'a pas de déploiements actifs).
2. Cliquez sur le symbole i pour vérifier les détails du modèle.
3. Utilisez la liste déroulante pour mettre à jour la spécification logicielle.

Reportez-vous à l'exemple d'image:

Mise à jour des spécifications logicielles à l'aide de l'API

Vous pouvez mettre à jour une spécification logicielle à l'aide de la commande API Patch:

Pour la zone software_spec , entrez /software_spec. Pour la zone value , utilisez l'ID ou le nom de la nouvelle spécification logicielle.

Reportez-vous à cet exemple :

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"
      }
   }
]'

Pour plus d'informations, voir Mise à jour d'un actif à l'aide de la commande Patch API.

Option 1 : Sauvegarde du modèle avec une infrastructure compatible

1. Téléchargez le modèle en utilisant soit le Runtime Data and AI Common Core API de watsonx watsonx.ai, soit la bibliothèque clientPython de watsonx.ai

   L'exemple suivant montre comment télécharger votre modèle:

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

2. Editez les métadonnées de modèle avec le type et la version de modèle pris en charge dans l'édition en cours. Pour plus d'informations, voir Spécifications logicielles et spécifications matérielles pour les déploiements.

   L'exemple suivant montre comment éditer des métadonnées de modèle:

   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. Sauvegarder le modèle dans le référentiel watsonx.ai Runtime. L'exemple suivant montre comment sauvegarder le modèle dans le référentiel:

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

4. Déployez le modèle.

5. Evaluez le modèle pour générer des prédictions.

Si le déploiement ou l'évaluation échoue, le modèle n'est pas compatible avec la nouvelle version utilisée pour l'enregistrement du modèle. Dans ce cas, utilisez l' option 2.

Option 2 : Ré-entraînement du modèle avec une infrastructure compatible

1. Entraînez à nouveau le modèle avec un type et une version de modèle pris en charge dans la version en cours.
2. Sauvegardez le modèle avec le type de modèle et la version pris en charge.
3. Déployez et évaluez le modèle.

Il est également possible de mettre à jour un modèle à l'aide de l'API. Pour plus d'informations, voir Mise à jour d'un actif à l'aide de la commande Patch API.

Option 1: Sauvegarde de la fonction Python avec une spécification d'exécution ou de logiciel compatible

1. Téléchargez la fonction Python en utilisant l'API REST de watsonx.ai ou la bibliothèque clientPython de watsonx.ai
2. Sauvegardez la fonction Python avec une version de module d'exécution ou de spécification logicielle prise en charge. Pour plus d'informations, voir Spécifications logicielles et spécifications matérielles pour les déploiements.
3. Déployez la fonction Python.
4. Evaluez la fonction Python pour générer des prédictions.

Si votre fonction Python échoue lors de l'évaluation, elle n'est pas compatible avec la nouvelle version d'exécution ou de spécification logicielle utilisée pour sauvegarder la fonction Python . Dans ce cas, utilisez l' option 2.

Option 2 : Modification du code de fonction et sauvegarde de celui-ci avec un module d'exécution ou une spécification logicielle compatible

1. Modifiez le code de fonction Python pour le rendre compatible avec la nouvelle version de module d'exécution ou de spécification logicielle. Dans certains cas, vous devez mettre à jour les bibliothèques dépendantes qui sont installées dans le code de fonction Python .
2. Sauvegardez la fonction Python avec la nouvelle version de module d'exécution ou de spécification logicielle.
3. Déployez et évaluez la fonction Python.

Il est également possible de mettre à jour une fonction à l'aide de l'API. Pour plus d'informations, voir Mise à jour d'un actif à l'aide de la commande Patch API.