Dans IBM watsonx.ai Runtime, vous pouvez utiliser des outils, des bibliothèques et des cadres populaires pour former et déployer des modèles et des fonctions d'apprentissage automatique. L'environnement de ces modèles et fonctions est constitué de spécifications matérielles et logicielles spécifiques.
Les spécifications logicielles définissent la langue et la version que vous utilisez pour un modèle ou une fonction. Vous pouvez utiliser les spécifications logicielles pour configurer le logiciel utilisé pour exécuter vos modèles et fonctions. En utilisant des spécifications logicielles, vous pouvez définir précisément la version du logiciel à utiliser et inclure vos propres extensions (par exemple, en utilisant des fichiers conda .yml ou des bibliothèques personnalisées).
Vous pouvez obtenir la liste des spécifications logicielles et matérielles disponibles, puis utiliser leurs noms et ID à utiliser avec votre déploiement. Pour plus d'informations, voir le clientPython ou l'API du tronc commun de données et d'IA.
Spécifications logicielles prises en charge pour les infrastructures d'apprentissage automatique
Vous pouvez utiliser des outils, des bibliothèques et des infrastructures populaires pour entraîner et déployer des modèles et des fonctions d'apprentissage automatique.
Ce tableau répertorie les types de modèles prédéfinis (de base) et les spécifications logicielles.
| Infrastructure | Version | Type de modèle | Spécification logicielle |
|---|---|---|---|
| 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 à 4.3 | Pmml_. (ou) 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 |
| Fonctions Python | Non applicable | Non applicable | runtime-24.1-py3.11 |
| Scripts Python | Non applicable | Non applicable | 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 ou scikit-learn_1.1 (voir les remarques) | runtime-23.1-py3.10 |
| XGBoost | 2.0 | xgboost_2.0 ou scikit-learn_1.3 | runtime-24.1-py3.11 |
| onnx ou onnxruntime | 1.16 | onnxruntime_1.16 | onnxruntime_opset_19 |
Types de modèles pris en charge et spécifications logicielles pour les modèles hybrides
Les types de modèles et les spécifications logicielles suivants sont pris en charge pour les modèles hybrides :
| Infrastructure | Version | Type de modèle | Défaut Spécification du logiciel |
Spécification du logiciel de pipeline |
|---|---|---|---|---|
| Hybride | 0.1 | wml-hybrid_0.1 | hybrid_0.1 | autoai-kb_rt24.1-py3.11 autoai-ts_rt24.1-py3.11 |
Lorsque vous avez des actifs qui reposent sur des spécifications ou des cadres de logiciel abandonnés, dans certains cas, la migration est transparente. Dans d'autres cas, une action de votre part est nécessaire pour entraîner à nouveau ou redéployer des actifs.
Les déploiements existants de modèles construits avec des versions de canevas ou des spécifications logicielles abandonnées sont supprimés à la date d'arrêt.
Aucun nouveau déploiement de modèles générés avec des versions de canevas ou des spécifications logicielles abandonnées n'est autorisé.
Si vous effectuez une mise à niveau à partir d'une version précédente de Cloud Pak for Data, les déploiements de modèles, de fonctions ou de scripts basés sur des infrastructures non prises en charge sont supprimés. Vous devez recréer les déploiements avec des infrastructures prises en charge.
Si vous effectuez une mise à niveau à partir d'une version précédente de Cloud Pak for Data et que vous disposez de modèles qui utilisent des infrastructures non prises en charge, vous pouvez toujours accéder aux modèles. Toutefois, vous ne pouvez pas les entraîner ou les évaluer tant que vous n'avez pas mis à niveau le type de modèle et la spécification logicielle, comme décrit dans la rubrique Gestion de spécifications ou d'infrastructures logicielles obsolètes.
Rubrique parent: Structures et spécifications des logiciels