Déployer un modèle d'Decision Optimization

Pour déployer un modèle d'Decision Optimization, créez un modèle prêt à être déployé dans votre espace de déploiement, puis téléchargez votre modèle en tant qu'archive. Une fois déployé, vous pouvez soumettre des travaux à votre modèle et en contrôler l'état.

Pour déployer un modèle Decision Optimization :

1. Conditionnez votre modèle Decision Optimization avec vos données communes (facultatif) prêtes à être déployées en tant que fichier tar.gz, .zipou .jar .
   Votre archive peut inclure les fichiers facultatifs suivants:

   1. Vos fichiers de modèle

      Pour les modèles Python ou OPL, ces fichiers contiennent généralement la formulation de votre modèle. Cependant, vous pouvez également choisir d'omettre ces fichiers, en particulier lorsque votre modèle et vos données sont intégrés dans le même fichier. Par exemple, pour les modèles CPLEX (fichiers.lp ), CPO (fichiers.cpo ) et " mps, afin d'éviter de résoudre le même mode, vous pouvez envoyer ces fichiers plus tard dans le travail.

   2. Fichiers de configuration

      Pour plus d'informations, voir Paramètres d'exécution (Decision Optimization).

   3. Données de référence

      Ces fichiers contiennent toutes les données qui peuvent être réutilisées par tous les travaux. L'inclusion de ces fichiers de données peut rendre les tâches de déploiement plus efficaces. Par exemple, vous pouvez inclure un fichier de données pour les valeurs qui restent constantes, telles que les distances entre les villes. Vous pouvez inclure ce fichier de données dans le déploiement afin de ne le fournir qu'une seule fois et non à chaque demande de travail.

   Remarque: pour les modèles Python avec plusieurs fichiers .py , placez tous les fichiers dans le même dossier dans votre archive. Le même dossier doit contenir un fichier principal appelé main.py. N'utilisez pas de sous-dossiers.
2. Créez un modèle prêt pour le déploiement dans Watson Machine Learning en fournissant les informations suivantes:
   • Instance de l'espace de déploiement
   • la spécification matérielle pour les tailles de configuration disponibles (petite S, moyenne M, grande L, très grande XL). Voir configurations.
   • la version d'exécution " spécification du logiciel (Decision Optimization ) :
     • Le moteur d'exécution de do_22.2 repose sur CPLEX 22.2
     • Le moteur d'exécution do_22.1 repose sur CPLEX 22.1 (Le moteur d'exécution do_20.1 est obsolète et sera bientôt supprimé.)

     Vous pouvez étendre la spécification logicielle fournie par Watson Machine Learning. Voir le cahier 'ExtendWMLSoftwareSpec dans le dossier 'jupyter des échantillons DO. Sélectionnez le sous-dossier de version et de produit approprié. Pour la version sur site d' watsonx, utilisez les exemples disponibles dans le sous-dossier « v5.4.x » de l' Cloud Pak for Data.

     Mise à jour des environnements d'exécution CPLEX:

     Si vous avez déjà déployé votre modèle avec un environnement d'exécution CPLEX qui n'est plus pris en charge, vous pouvez mettre à jour votre modèle déployé existant à l'aide de l' API REST ou de l' interface utilisateur.

   • le type de modèle:
     • opl (do-opl_ <version d'exécution>)
     • cplex (do-cplex_ <version d'exécution>)
     • cpo (do-cpo_ <version d'exécution>)
     • docplex (do-docplex_< version d'exécution >) à l'aide de Python3.12 ou 3.11 (obsolète)

     (La version d'exécution peut correspondre à l'une des versions d'exécution disponibles de l' Decision Optimization. Ainsi, par exemple, un modèle OPL dont la version d'exécution est 22.2 aurait pour type de modèle « do-opl_22.2 ».)

3. Téléchargez votre archive de modèle (fichiertar.gz,.zipou .jar ) sur Watson Machine Learning. Pour plus d'informations sur les types de fichiers d'entrée, consultez la section « Formats des fichiers de données d'entrée et de sortie pour l' Decision Optimization ».
   Vous obtenez un modèle URL. Votre modèle Watson Machine Learning peut alors être utilisé dans un ou plusieurs déploiements.
4. Déployez votre modèle en utilisant le MODEL-ID, le SPACE-ID et les spécifications matérielles pour les tailles de configuration disponibles (small S, medium M, large L, extra large XL). Voir les configurations. Vous pouvez également spécifier le nombre de nœuds à utiliser (la valeur par défaut est 1).
   Vous obtenez un ID de déploiement.
5. Surveillez le déploiement à l'aide de deployment-id. Les états de déploiement peuvent être: initializing, updating, readyou failed.