Docs
...
watsonx.ai Runtime

Solución de problemas en tiempo de ejecución de watsonx.ai

Última actualización: 21 feb 2025
Solución de problemas en tiempo de ejecución de watsonx.ai

Siga estos consejos para resolver los problemas más comunes que puede encontrar al trabajar con watsonx.ai Runtime.

Solución de problemas AutoAI

Solución de problemas de implantación

Solución de problemas AutoAI

Siga estos consejos para resolver los problemas más comunes que puede encontrar al trabajar con AutoAI.

Falla la ejecución de un experimento AutoAI de series temporales con predicción de anomalías

La función para predecir anomalías en los resultados de un experimento de series temporales ya no es compatible. Al intentar ejecutar un experimento existente se producen errores por falta de bibliotecas de tiempo de ejecución. Por ejemplo, puede aparecer este error:

The selected environment seems to be invalid: Could not retrieve environment. CAMS error: Missing or invalid asset id

Este comportamiento es el esperado, ya que no se admiten los tiempos de ejecución para la predicción de anomalías. No existe ninguna solución para este problema.

El cuaderno de inferencia de AutoAI para un experimento RAG supera los límites del modelo

A veces, al ejecutar un cuaderno de inferencia generado para un experimento RAG AutoAI, puede aparecer este error:

MissingValue: No "model_limits" provided. Reason: Model <model-nam> limits cannot be found in the model details.

El error indica que faltan los límites de token para inferir el modelo de base utilizado para el experimento. Para resolver el problema, busque la función " default_inference_function y sustituya " get_max_input_tokens " por los tokens máximos del modelo. Por ejemplo:

model = ModelInference(api_client=client, **params['model"])
# model_max_input_tokens = get+max_input_tokens(model=model, params=params)
model_max_input_tokens = 4096

Puedes encontrar el valor máximo de token para el modelo en la tabla de modelos de fundación soportados disponibles con watsonx.ai.

El entrenamiento de un experimento AutoAI falla con las credenciales de ID de servicio

Si está entrenando un experimento AutoAI utilizando la clave API para el serviceID, el entrenamiento podría fallar con este error:

User specified in query parameters does not match user from token.

Una forma de resolver este problema es ejecutar el experimento con sus credenciales de usuario. Si desea ejecutar el experimento con credenciales para el servicio, siga estos pasos para actualizar las funciones y políticas para el ID de servicio.

  1. Abra su serviceID en IBM Cloud. Cómo encontrar la página de la política de serviceID
  2. Cree un nuevo serviceID o actualice el ID existente con la siguiente política de acceso:
    • Todos los servicios de gestión de cuentas IAM con las funciones de revisor de claves API, creador de claves API de usuario, visualizador, operador y editor. Lo ideal es que creen una nueva clave de acceso para esta ServiceId. Actualización de la política y las funciones de un serviceID
  3. La política actualizada tendrá el siguiente aspecto: Política de serviceID actualizada
  4. Vuelva a ejecutar la formación con las credenciales para el serviceID actualizado.

La solicitud de predicción para el modelo de series temporales AutoAI puede agotarse con demasiadas observaciones nuevas

Una solicitud de predicción puede agotarse para un modelo de series temporales AutoAI desplegado si se pasan demasiadas observaciones nuevas. Para solucionar este problema, realice una de las siguientes acciones:

  • Reducir el número de nuevas observaciones.
  • Amplíe los datos de entrenamiento utilizados para el experimento añadiendo nuevas observaciones. A continuación, vuelva a ejecutar el experimento AutoAI de series temporales con los datos de entrenamiento actualizados.

Miembros de clase insuficientes en los datos de entrenamiento para el experimento AutoAI

Los datos de entrenamiento para un experimento de AutoAI deben tener al menos 4 miembros para cada clase. Si los datos de entrenamiento no tienen un número suficiente de miembros en una clase, se producirá este error:

ERROR: ingesting data Message id: AC10011E. Message: Each class must have at least 4 members. The following classes have too few members: ['T'].

Para resolver el problema, actualice los datos de entrenamiento para eliminar la clase o añadir más miembros.

No se pueden abrir activos de Cloud Pak for Data que requieren watsonx.ai

Si está trabajando en el contexto de Cloud Pak for Data, no podrá abrir activos que requieran un contexto de producto diferente, como watsonx.ai. Por ejemplo, si crea un experimento AutoAI para un patrón RAG utilizando watsonx.ai, no podrá abrir ese activo cuando se encuentre en el contexto Cloud Pak for Data. En el caso de los experimentos AutoAI, puede ver el tipo de entrenamiento en la lista de Activos. Puede abrir experimentos con aprendizaje automático de tipo, pero no con generación aumentada por recuperación de tipo.

Solución de problemas de implantación

Siga estos consejos para resolver los problemas más comunes que puede encontrar al trabajar con implementaciones de watsonx.ai Runtime.

Los despliegues por lotes que utilizan grandes volúmenes de datos como entrada pueden fallar

Si está puntuando un trabajo por lotes que utiliza grandes volúmenes de datos como origen de entrada, es posible que el trabajo falle debido a los valores de tiempo de espera interno. Un síntoma de este problema puede ser un mensaje de error similar al del ejemplo siguiente:

Incorrect input data: Flight returned internal error, with message: CDICO9999E: Internal error occurred: Snowflake sQL logged error: JDBC driver internal error: Timeout waiting for the download of #chunk49(Total chunks: 186) retry=0.

Si el tiempo de espera se produce al puntuar el despliegue por lotes, debe configurar la limitación de tiempo de espera de nivel de consulta de origen de datos para manejar trabajos de larga ejecución.

La información de tiempo de espera de nivel de consulta para orígenes de datos es la siguiente:

Información sobre la limitación de tiempo a nivel de consulta para orígenes de datos
Origen de datos Limitación de tiempo de nivel de consulta Límite de tiempo predeterminado Modificar límite de tiempo predeterminado
Apache Cassandra Sí 10 segundos Establezca los parámetros " read_timeout_in_ms " y " write_timeout_in_ms en el archivo de configuración de Apache Cassandra o en la URL conexión Apache Cassandra para cambiar el límite de tiempo predeterminado.
Cloud Object Storage Nee N/A N/A
Db2 Sí N/A Establezca el parámetro QueryTimeout para especificar la cantidad de tiempo (en segundos) que un cliente espera a que se complete una ejecución de consulta antes de que un cliente intente cancelar la ejecución y devolver el control a la aplicación.
Hive via Execution Engine for Hadoop Sí 60 minutos (3600 segundos) Establezca la propiedad ' hive.session.query.timeout ' en la URL conexión para cambiar el límite de tiempo por defecto.
Microsoft SQL Server Sí 30 segundos Establezca la opción de configuración del servidor QUERY_TIMEOUT para cambiar el límite de tiempo predeterminado.
MongoDB Sí 30 segundos Establezca el parámetro maxTimeMS en las opciones de consulta para cambiar el límite de tiempo predeterminado.
MySQL Sí 0 segundos (sin límite de tiempo predeterminado) Establezca la propiedad ' timeout ' en la URL conexión o en las propiedades del controlador JDBC para especificar un límite de tiempo para su consulta.
Oracle Sí 30 segundos Establezca el parámetro QUERY_TIMEOUT en el controlador Oracle JDBC para especificar la cantidad máxima de tiempo que una consulta puede ejecutarse antes de que se cancele automáticamente.
PostgreSQL Nee N/A Establezca la propiedad queryTimeout para especificar la cantidad máxima de tiempo que puede ejecutarse una consulta. El valor predeterminado de la propiedad queryTimeout es 0.
Snowflake Sí 6 horas Establezca el parámetro queryTimeout para cambiar el límite de tiempo predeterminado.

Para evitar que los despliegues por lotes fallen, particione el conjunto de datos o disminuya su tamaño.

Seguridad para cargas de archivos

Files you upload through the watsonx.ai Studio or watsonx.ai Runtime UI are not validated or scanned for potentially malicious content. Se recomienda ejecutar software de seguridad, como una aplicación antivirus, en todos los archivos antes de cargarlos para garantizar la seguridad del contenido.

Las implementaciones con especificaciones de software restringidas fallan después de una actualización

Si actualiza a una versión más reciente de IBM Cloud Pak for Data e implementa un activo de aplicación R Shiny que se creó utilizando especificaciones de software restringidas en modo FIPS, el despliegue falla.

Por ejemplo, las implantaciones que utilizan especificaciones de software " shiny-r3.6 " y " shiny-r4.2 " fallan después de actualizar de " IBM Cloud Pak for Data " versión " 4.7.0 " a " 4.8.4 o posterior. Es posible que recibas el mensaje de error.Error 502 - Bad Gateway .

Para evitar que su implementación falle, actualice la especificación restringida de su activo implementado para utilizar la especificación de software más reciente. Para obtener más información, consulte Gestión de marcos o especificaciones de software obsoletos. También puede eliminar la implementación de su aplicación si ya no la necesita.

Falla la creación de un trabajo para un flujo de SPSS Modeler en un espacio de despliegue

Durante el proceso de configuración de un trabajo por lotes para su flujo de SPSS Modeler en un espacio de despliegue, puede fallar la asignación automática de activos de datos con su conexión respectiva.

La imagen muestra que la asignación automática de activos de datos y conexiones que fallan

Para solucionar el error con la asignación automática de activos de datos y conexiones, siga estos pasos:

  1. Haga clic en Crear para guardar su progreso y salir del cuadro de diálogo Configuración de nuevo trabajo.

  2. En su espacio de despliegue, haga clic en la pestaña Trabajos y seleccione su trabajo de flujo de SPSS Modeler para revisar los detalles de su trabajo.

  3. En la página de detalles del trabajo, haga clic en el icono Editar Imagen del icono de edición para actualizar manualmente la asignación de sus activos de datos y conexiones.

  4. Tras actualizar la asignación de los activos de datos y la conexión, puede reanudar el proceso de configuración del trabajo en el cuadro de diálogo Nuevo trabajo. Para obtener más información, consulte Creación de trabajos de despliegue para flujos de SPSS Modeler

    La imagen muestra que la asignación automática de activos de datos y conexiones se ha realizado correctamente

Falla la conversión de un modelo de LightGBM a ONNX

Si utiliza una función objetivo no compatible para convertir sus modelos LightGBM al formato ONNX, su implantación podría fallar. Por ejemplo, si utiliza una función objetivo no compatible en la definición de lightgbm.Booster, podría tener problemas con la conversión.

Para resolver este problema, asegúrese de que utiliza una función objetivo compatible cuando convierta los modelos LightGBM a ONNX.

El siguiente ejemplo de código muestra cómo sustituir la función objetivo no compatible en la definición de lightgbm.Booster por una función compatible con convert_lightgbm.

lgb_model = lightgbm.Booster(model_str=lgb_model.model_to_string().replace('<unsupported_objective_function>', '<compatible_objective_function>'))

Se produce un error al ejecutar una tarea de implementación debido a que se han eliminado las credenciales de la tarea

Para mayor seguridad, se requieren credenciales de tareas para crear implementaciones y ejecutar trabajos. Si ejecuta un trabajo de implementación después de eliminar sus credenciales de tarea, el estado de la implementación o del trabajo permanece en un estado intermedio debido a la falta de disponibilidad del token de API, que es necesario para actualizar el estado del trabajo en el servicio de trabajos de la plataforma.

Como resultado, el pod de tiempo de ejecución no podrá generar un token de usuario, lo que provocará que el trabajo permanezca en el estado de " running " (sin procesar) indefinidamente.

Para resolver este problema, debe volver a crear las credenciales de la tarea que eliminó anteriormente y eliminar la implementación o el trabajo existente que permanece en un estado intermedio.