Implantação de um modelo de Decision Optimization

Para implantar um modelo Decision Optimization , crie um modelo pronto para implementação em seu espaço de implementação e, em seguida, faça o upload de seu modelo como um arquivo. Quando implementado, é possível enviar tarefas para seu modelo e monitorar estados da tarefa.

Para implementar um modelo Decision Optimization :

1. Embale sua Decision Optimization formulação de modelo, com quaisquer configurações ou arquivos de dados mestre, prontos para implantação como um arquivo tar.gz, .zip ou .jar.
   Seu archive pode incluir os arquivos opcionais a seguir:

   1. Seus arquivos de modelo

      Para modelos Python ou OPL, esses arquivos geralmente contêm a formulação do modelo. No entanto, você também pode optar por omitir esses arquivos, especialmente quando o modelo e os dados estiverem integrados no mesmo arquivo. Por exemplo, para os modelos de formato CPLEX (arquivos .lp), CPO (arquivos .cpo) e mps, para evitar a resolução do mesmo modo, você pode enviar esses arquivos posteriormente no trabalho.

   2. Arquivos de configurações

      Para obter mais informações, consulte Parâmetros de execução.

   3. Dados principais

      Esses arquivos contêm todos os dados que podem ser reutilizados por todos os trabalhos. A inclusão desses arquivos de dados pode tornar os trabalhos de implementação mais eficientes. Por exemplo, você pode incluir um arquivo de dados para valores que permanecem constantes, como distâncias entre cidades. Você pode incluir esse arquivo de dados na implantação para fornecê-lo apenas uma vez e não em cada solicitação de trabalho.

   Observação: Para modelos Python com vários arquivos ' .py, coloque todos os arquivos na mesma pasta em seu arquivo. A mesma pasta deve conter um arquivo principal chamado ' main.py. Não use subpastas.
2. Crie um modelo pronto para implantação e forneça as seguintes informações:
   • instância do serviço de tempo de execuçãowatsonx.ai
   • Espaço de implementação instância
   • A especificação de hardware para os tamanhos de configuração disponíveis (pequeno S, média M, grande L, extra grande XL). Veja as configurações.
   • Especificação de software (Decision Optimization versão de tempo de execução):
     • do_22.2 O tempo de execução é baseado no CPLEX 22.2
     • do_22.1 O tempo de execução é baseado no CPLEX 22.1. (O tempo de execução do_20.1 está obsoleto e será removido em breve)

     Você pode estender a especificação de software fornecida pelo serviço watsonx.ai Runtime. Veja o ExtendWMLSoftwareSpec notebook na pasta jupyter da pasta DO-samples.

     Atualizando tempos de execução do CPLEX:

     Se você implementou anteriormente seu modelo com um tempo de execução do CPLEX que não é mais suportado, será possível atualizar seu modelo implementado existente usando a API de REST ou a UI

   • O tipo de modelo:
     • opl (do-opl_<runtime version> )
     • cplex (do-cplex_<runtime version> )
     • cpo (do-cpo_<versão de tempo de execução>)
     • docplex (do-docplex_ <versão de tempo de execução> ) usando Python3.12 ou 3.11 (obsoleto)

     (A versão de tempo de execução pode ser uma das versões disponíveis em Decision Optimization; assim, por exemplo, um modelo OPL com a versão de tempo de execução 22.2 tem o tipo de modelo do -opl_22.2.)

   Você obtém um MODEL-ID.

   Seu modelo pode ser usado em uma ou várias implantações.

3. Carregue seu arquivo de modelo (arquivotar.gz, ' .zip ou ' .jar ). Consulte Formatos de arquivo de dados de entrada e saída do modelo para Decision Optimization para obter informações sobre os tipos de arquivo de entrada.
4. Implementar seu modelo usando MODEL-ID, SPACE-IDe a especificação de hardware para os tamanhos de configuração disponíveis (pequeno S, médio M, grande L, XL extra grande). Veja as configurações. Você também pode especificar o número de nós a serem usados (o valor padrão é 1).
   Você obtém um deployment-id.
5. Monitore a implementação usando DEPLOYMENT-ID. Os estados de implementação podem ser: initializing, updating, readyou failed.