Gérer les spécifications ou les frameworks logiciels obsolètes

Mise à jour des spécifications logicielles depuis l'interface utilisateur

1. Dans l'espace de déploiement, cliquez sur le modèle (assurez-vous qu'il ne comporte aucun déploiement actif)
2. Cliquez sur le i symbole pour vérifier les détails du modèle.
3. Utilisez la liste déroulante pour mettre à jour les spécifications du logiciel.

Reportez-vous à l'image d'exemple :

Mise à jour des spécifications logicielles à l'aide de l'API

Vous pouvez mettre à jour une spécification logicielle à l'aide de la commande API Patch :

Pour software_spec le champ, tapez /software_spec. Pour value le champ, utilisez soit l'ID, soit le nom de la nouvelle spécification logicielle.

Reportez-vous à cet exemple :

curl -X PATCH '<deployment endpoint url>/ml/v4/models/6f01d512-fe0f-41cd-9a52-1e200c525c84?space_id=f2ddb8ce-7b10-4846-9ab0-62454a449802&project_id=<project_id>&version=<YYYY-MM-DD>' \n--data-raw '[
   {
      "op":"replace",
      "path":"/software_spec",
      "value":{
         "id":"6f01d512-fe0f-41cd-9a52-1e200c525c84"   // or "name":"tensorflow_rt22.1-py3.9"
      }
   }
]'

Pour plus d'informations, consultez la section Mise à jour d'un actif à l'aide de la commande Patch API.

Option 1 : Enregistrer le modèle avec un framework compatible

1. Téléchargez le modèle à l'aide de l 'API Data and AI Common Core d' Watson Machine Learning ou de la bibliothèque cliente watsonx.ai Python.

   L'exemple suivant montre comment télécharger votre modèle :

   client.repository.download(<model-id>, filename="xyz.tar.gz")
   

2. Modifiez les métadonnées du modèle avec le type et la version du modèle pris en charge dans la version actuelle. Pour plus d'informations, consultez les spécifications logicielles et matérielles pour les déploiements.

   L'exemple suivant montre comment modifier les métadonnées d'un modèle :

   model_metadata = {
      client.repository.ModelMetaNames.NAME: "example model",
      client.repository.ModelMetaNames.DESCRIPTION: "example description",
      client.repository.ModelMetaNames.TYPE: "<new model type>",
      client.repository.ModelMetaNames.SOFTWARE_SPEC_UID:
      client.software_specifications.get_uid_by_name("<new software specification name>")
   }
   

3. Enregistrez le modèle dans le référentiel Watson Machine Learning. L'exemple suivant montre comment enregistrer le modèle dans le référentiel :

   model_details = client.repository.store_model(model="xyz.tar.gz", meta_props=model_metadata)
   

4. Déployez le modèle.

5. Appliquez l'algorithme au modèle pour générer des prédictions.

Si le déploiement ou la notation échoue, cela signifie que le modèle n'est pas compatible avec la nouvelle version utilisée pour enregistrer le modèle. Dans ce cas, utilisez l'option 2.

Option 2 : Réentraîner le modèle avec un framework compatible

1. Réentraînez le modèle avec un type et une version pris en charge dans la version actuelle.
2. Enregistrez le modèle en indiquant le type et la version pris en charge.
3. Déployez et évaluez le modèle.

Il est également possible de mettre à jour un modèle à l'aide de l'API. Pour plus d'informations, consultez la section Mise à jour d'un actif à l'aide de la commande Patch API.

Option 1 : Enregistrer la fonction d' Python avec un runtime ou une spécification logicielle compatible

1. Téléchargez la fonction Python à l'aide de l 'API REST Watson Machine Learning ou de la bibliothèque cliente watsonx.ai Python.
2. Enregistrez la fonction « Python » avec une version prise en charge du runtime ou de la spécification logicielle. Pour plus d'informations, consultez les spécifications logicielles et matérielles pour les déploiements.
3. Déployez la fonction « Python ».
4. Enregistrez la fonction « Python » pour générer des prévisions.

Si votre fonction Python échoue pendant la notation, cela signifie qu'elle n'est pas compatible avec la nouvelle version du runtime ou des spécifications logicielles qui a été utilisée pour enregistrer la fonction Python. Dans ce cas, utilisez l'option 2.

Option 2 : Modifier le code de fonction et l'enregistrer avec un environnement d'exécution ou une spécification logicielle compatible

1. Modifiez le code de la fonction Python afin de le rendre compatible avec la nouvelle version du runtime ou des spécifications logicielles. Dans certains cas, vous devez mettre à jour les bibliothèques dépendantes qui sont installées dans le code fonction de l' Python.
2. Enregistrez la fonction « Python » avec la nouvelle version de l'environnement d'exécution ou de la spécification logicielle.
3. Déployez et évaluez la fonction « Python ».

Il est également possible de mettre à jour une fonction à l'aide de l'API. Pour plus d'informations, consultez la section Mise à jour d'un actif à l'aide de la commande Patch API.