Implementação de modelos Decision Optimization forma programática

Com IBM Watson Machine Learning você pode implantar seu Decision Optimization modelo prescritivo e os dados comuns associados uma vez e, em seguida, enviar solicitações de trabalho para essa implantação apenas com os dados transacionais relacionados. Essa implantação pode ser feita usando a API REST Watson Machine Learning, o cliente watson.ai Python ou a interface de linha de comando IBM watsonx Interface de linha de comando.

Consulte Exemplo de API REST (Decision Optimization) para obter um exemplo de código e Exemplos de clientesPython (Decision Optimization) para obter um exemplo de notebook Python.

Visão geral

As etapas para implementar e enviar empregos para um modelo Decision Optimization são as seguintes. Estas etapas são detalhadas em seções posteriores.

  1. Autentique e crie um espaço. Consulte o exemplo da API REST
  2. Implementar seu modelo com dados comuns. Essa implementação pode ser feita a partir da interface do usuário (consulte Implementação a partir da interface do usuário) ou seguindo as etapas descritas em Implementação de modelo. Veja também este exemplo de API REST.
  3. Criar e monitorar tarefas para esse modelo implementado.

No fluxograma a seguir, você pode ver como implantar e usar um modelo no contexto de todo o Decision Optimization ciclo de vida do modelo. Depois de desenvolver um modelo, formulando-o, testando-o e validando-o, você pode criar um modelo de implantação no Watson Machine Learning. Para criar um modelo de implantação, você deve criar uma instância Watson Machine Learning instância. Em seguida, você pode carregar o modelo e os arquivos com os dados que deseja reutilizar em cada trabalho. Para implantar o modelo, você deve selecionar a especificação do software, o número máximo de nós e o tamanho da camiseta que deseja usar. Depois que seu modelo for implantado, você poderá usá-lo com os dados. Primeiro, você deve carregar os dados em linha ou especificar sua localização em um banco de dados ou no armazenamento. Em seguida, você pode enviar trabalhos, pesquisar resultados e excluir trabalhos indesejados. Os trabalhos são executados de forma assíncrona. Decision Optimization fluxograma de ciclo de vida modelo mostrando implementação e passos de uso

O tamanho da camiseta refere-se a configurações de implementação predefinidas: pequeno, médio, grande e extra grande..

Tabela 1.. Tamanhos de camisetas para Decision Optimization
Definição Nome Descrição
2 vCPU e 8 GB S Pequeno
4 vCPU e 16 GB M Médio
8 vCPU e 32 GB L Grande
16 vCPU e 64 GB XL Muito grande
Veja também Running jobs.

Saiba mais