Ejecución de trabajos (Decision Optimization)
Decision Optimization utiliza las API asíncronas de Watson Machine Learning para permitir que los trabajos se ejecuten en paralelo.
Para resolver un problema, puede crear un nuevo trabajo a partir del despliegue del modelo y asociarle datos. Consulte Pasos de despliegue y el ejemplo de API REST.
Para resolver más de un trabajo a la vez, especifique más de un nodo al crea el despliegue. Por ejemplo, en este Ejemplo de API REST, aumente el número de nodos cambiando el valor de la propiedad de los nodos: "nodes" : 1.
POD (nodos)
Cuando se crea y se envía un trabajo, la forma en que se maneja depende de la configuración actual y de los trabajos que se ejecutan para la instancia de Watson Machine Learning . Este proceso se muestra en el siguiente diagrama y se describe en los siguientes pasos.
Como se describe en el diagrama de flujo anterior, los trabajos se gestionan del siguiente modo.
- El nuevo trabajo se envía a la cola.
- Si se inicia un POD pero está desocupado (no se ejecuta un trabajo), empieza inmediatamente a procesar este trabajo.
- De lo contrario, si no se alcanza el número máximo de nodos, se inicia un nuevo POD. (El inicio de un POD puede tardar unos segundos). A continuación, el trabajo se asigna a este nuevo POD para su proceso.
- De lo contrario, el trabajo espera en la cola hasta que haya finalizado uno de los POD en ejecución y pueda recoger el trabajo en espera.
La configuración de POD de cada tamaño es la siguiente:
| Definición | Nombre | Descripción |
|---|---|---|
| 2 vCPU y 8 GB | S | Small |
| 4 vCPU y 16 GB | M | Medio |
| 8 vCPU y 32 GB | L | Grande |
| 16 vCPU y 64 GB | XL | Extra grande |
Para todas las configuraciones, 1 vCPU y 512 MB se reservan para el uso interno.
En la configuración de despliegue, también puede establecer el número máximo de nodos que se van a utilizar.
Los POD en reposo se detienen de forma automática después de un tiempo de espera. Si se envía un nuevo trabajo cuando no hay ningún POD activo, el POD tarda algún tiempo (aproximadamente 30 segundos) en reiniciarse.
Ejemplo de API REST
Para ver el procedimiento completo de despliegue de un modelo y enlaces a la documentación Swagger, consulte Ejemplo de API REST.
Ejemplo de API de Python
Además de las API REST, se proporciona una API Python con Watson Machine Learning para que pueda crear, desplegar y utilizar fácilmente un modelo de Decision Optimization desde un Python notebook.
Para más información, consulte Python ejemplo de cliente.