En IBM watsonx.ai Runtime, puede utilizar herramientas, bibliotecas y marcos populares para entrenar y desplegar modelos y funciones de aprendizaje automático. El entorno para estos modelos y funciones se compone de especificaciones específicas de hardware y software.
Las especificaciones de software definen el idioma y la versión que utiliza para un modelo o función. Puede utilizar especificaciones de software para configurar el software que se utiliza para ejecutar los modelos y las funciones. Mediante el uso de especificaciones de software, puede definir con precisión la versión de software que se va a utilizar e incluir sus propias extensiones (por ejemplo, utilizando archivos conda .yml o bibliotecas personalizadas).
Puede obtener una lista de las especificaciones de software y hardware disponibles y, a continuación, utilizar sus nombres e ID para utilizarlos con el despliegue. Para más información, consulte ClientePython o API de datos y AI Common Core.
Especificaciones de software soportadas para infraestructuras de aprendizaje automático
Puede utilizar herramientas, bibliotecas e infraestructuras populares para entrenar y desplegar modelos y funciones de aprendizaje de máquina.
Esta tabla lista los tipos de modelo predefinidos (base) y las especificaciones de software.
| Infraestructura | Versiones | Tipo de modelo | Especificación de software |
|---|---|---|---|
| Decision Optimization | 20.1 | do-docplex_20.1 do-opl_20.1 do-cplex_20.1 do-cpo_20.1 |
do_20.1 |
| Decision Optimization | 22.1 | do-docplex_22.1 do-opl_22.1 do-cplex_22.1 do-cpo_22.1 |
do_22.1 |
| PMML | 3.0 a 4.3 | pmml_. (or) pmml_..*3.0 - 4.3 | pmml-3.0_4.3 |
| PyTorch | 2.0 | pytorch-onnx_2.0 pytorch-onnx_rt23.1 |
runtime-23.1-py3.10 pytorch-onnx_rt23.1-py3.10 pytorch-onnx_rt23.1-py3.10-edt pytorch-onnx_rt23.1-py3.10-dist |
| PyTorch | 2.1 | pytorch-onnx_2.1 pytorch-onnx_rt24.1 |
runtime-24.1-py3.11 pytorch-onnx_rt24.1-py3.11 pytorch-onnx_rt24.1-py3.11-edt pytorch-onnx_rt24.1-py3.11-dist |
| Funciones de Python | N/D | N/D | runtime-24.1-py3.11 |
| Scripts de Python | N/D | N/D | runtime-24.1-py3.11 |
| Scikit-learn | 1.1 | scikit-learn_1.1 | runtime-23.1-py3.10 |
| Scikit-learn | 1.3 | scikit-learn_1.3 | runtime-24.1-py3.11 |
| Spark | 3.3 | mllib_3.3(deprecated) | spark-mllib_3.3(deprecated) |
| Spark | 3.4 | mllib_3.4 | spark-mllib_3.4 |
| SPSS | 17.1 | spss-modeler_17.1 | spss-modeler_17.1 |
| SPSS | 18.1 | spss-modeler_18.1 | spss-modeler_18.1 |
| SPSS | 18.2 | spss-modeler_18.2 | spss-modeler_18.2 |
| Tensorflow | 2.12 | tensorflow_2.12 tensorflow_rt23.1 |
runtime-23.1-py3.10 tensorflow_rt23.1-py3.10-dist tensorflow_rt23.1-py3.10-edt tensorflow_rt23.1-py3.10 |
| Tensorflow | 2.14 | tensorflow_2.14 tensorflow_rt24.1 |
runtime-24.1-py3.11 tensorflow_rt24.1-py3.11-dist tensorflow_rt24.1-py3.11-edt tensorflow_rt24.1-py3.11 |
| XGBoost | 1.6 | xgboost_1.6 o scikit-learn_1.1 (consulte las notas) | runtime-23.1-py3.10 |
| XGBoost | 2.0 | xgboost_2.0 o scikit-learn_1.3 | runtime-24.1-py3.11 |
| onnx u onnxruntime | 1.16 | onnxruntime_1.16 | onnxruntime_opset_19 |
Tipos de modelos compatibles y especificaciones de software para modelos híbridos
Los siguientes tipos de modelos y especificaciones de software son compatibles con los modelos híbridos:
| Infraestructura | Versiones | Tipo de modelo | Por defecto ' Especificación del software |
Especificación del software de tuberías |
|---|---|---|---|---|
| Híbrido | 0.1 | wml-hybrid_0.1 | hybrid_0.1 | autoai-kb_rt24.1-py3.11 autoai-ts_rt24.1-py3.11 |
Cuando tiene activos que dependen de especificaciones o infraestructuras de software retiradas, en algunos casos la migración se realiza sin problemas. En otros casos, tiene que realizar alguna acción para volver a entrenar o volver a desplegar activos.
Los despliegues existentes de modelos que se crean con versiones de infraestructura o especificaciones de software que se han dejado de mantener se eliminan en la fecha de interrupción.
No se permiten nuevos despliegues de modelos creados con versiones de infraestructura discontinuadas o especificaciones de software.
Si actualiza desde una versión anterior de Cloud Pak for Data, los despliegues de modelos, funciones o scripts que se basan en infraestructuras no soportadas se eliminan. Debe volver a crear los despliegues con infraestructuras soportadas.
Si actualiza desde una versión anterior de Cloud Pak for Data y tiene modelos que utilizan infraestructuras no soportadas, puede seguir accediendo a los modelos. Sin embargo, no puede entrenarlos o puntuarlos hasta que actualice el tipo de modelo y la especificación de software, como se describe en Gestión de especificaciones de software o infraestructuras obsoletas.
Tema principal: Infraestructuras y especificaciones de software