In IBM watsonx.ai Runtime è possibile utilizzare strumenti, librerie e framework popolari per addestrare e distribuire modelli e funzioni di apprendimento automatico. L'ambiente per questi modelli e funzioni è costituito da specifiche hardware e software.
Le specifiche software definiscono la lingua e la versione utilizzata per un modello o una funzione. È possibile utilizzare le specifiche software per configurare il software utilizzato per eseguire i propri modelli e funzioni. Utilizzando le specifiche software, è possibile definire con precisione la versione software da utilizzare e includere le proprie estensioni (ad esempio, utilizzando file conda .yml o librerie personalizzate).
È possibile ottenere un elenco di specifiche software e hardware disponibili e utilizzarne quindi i nomi e gli ID da utilizzare con la propria distribuzione. Per ulteriori informazioni, consultare il clientPython o Data and AI Common Core API.
Specifiche software supportate per i framework di machine learning
Puoi utilizzare strumenti, librerie e framework comuni per preparare e distribuire funzioni e modelli di machine learning.
Questa tabella elenca i tipi di modello predefiniti (base) e le specifiche software.
| Framework | Versioni | Tipo di modello | Specifica software |
|---|---|---|---|
| Servizi AI | ND | ND | runtime-24.1-py3.11 |
| 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 | Da 3.0 a 4.3 | pmml_. (o) 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 |
| Funzioni Python | ND | ND | runtime-24.1-py3.11 |
| Script Python | ND | ND | 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 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 (vedere note) | runtime-23.1-py3.10 |
| XGBoost | 2.0 | xgboost_2.0 o scikit-learn_1.3 | runtime-24.1-py3.11 |
| onnx o onnxruntime | 1.16 | onnxruntime_1.16 | onnxruntime_opset_19 |
Tipi di modelli supportati e specifiche software per i modelli ibridi
Per i modelli ibridi sono supportati i seguenti tipi di modelli e specifiche software:
| Framework | Versioni | Tipo di modello | Predefinito Specifica software |
Specifiche del software della pipeline |
|---|---|---|---|---|
| Ibrido | 0.1 | wml-hybrid_0.1 | hybrid_0.1 | autoai-kb_rt24.1-py3.11 autoai-ts_rt24.1-py3.11 |
Quando si dispone di asset che si basano su framework o specifiche software non più in uso, in alcuni casi la migrazione è completa. In altri casi, la tua azione è necessaria per riqualificare o ridistribuire gli asset.
- Le distribuzioni esistenti di modelli creati con versioni di framework discontinue o specifiche software vengono rimosse alla data di interruzione.
- Non sono consentite nuove distribuzioni di modelli creati con versioni di framework o specifiche software discontinue.
Argomento principale: Framework e specifiche software