Especificações do software compatível

No IBMWatson Machine Learning, você pode usar ferramentas, bibliotecas e estruturas populares para treinar e implantar modelos e funções de aprendizado de máquina. O ambiente para esses modelos e funções é composto por especificações específicas de hardware e software.

As especificações do software definem a linguagem e a versão que você usa para um modelo ou função. Você pode usar especificações de software para configurar o software usado para executar seus modelos e funções. Ao usar especificações de software, você pode definir com precisão a versão do software a ser usada e incluir suas próprias extensões (por exemplo, usando arquivos conda .yml ou bibliotecas personalizadas).

Você pode obter uma lista das especificações de software e hardware disponíveis e, em seguida, usar seus nomes e IDs para uso em sua implantação. Para obter mais informações, consulte Python cliente ou API comum para dados e IA.

Especificações de software compatíveis com estruturas de aprendizado de máquina

Você pode usar ferramentas, bibliotecas e estruturas populares para treinar e implantar modelos e funções de aprendizado de máquina.

A tabela a seguir lista os tipos de modelos predefinidos (básicos) e as especificações do software.

Todas as especificações de software estão em conformidade com a norma FIPS. Para obter mais informações, consulte Serviços compatíveis com FIPS.

Observação:

A partir da versão 2.3.1, as especificações de software baseadas no Runtime 24.1 estão obsoletas e serão removidas em uma versão futura.

A partir da versão 2.3.1 Patch 2, as especificações de software para Apache Spark 3.4 foram descontinuadas.

As especificações de software obsoletas estão marcadas com D.

Lista de tipos de modelos predefinidos (básicos) e especificações de software
Estrutura	Versões	Tipo de modelo	Especificação padrão do software	Plataformas compatíveis
Serviço de IA	N/D	N/D	`runtime-24.1-py3.11`	x86
Serviço de IA	N/D	N/D	`runtime-25.1-py3.12`	x86
Serviço de IA	N/D	N/D	`genai-A25-py3.12`	x86
Decision Optimization	20.1	`do-docplex_20.1` `do-opl_20.1` `do-cplex_20.1` `do-cpo_20.1`	`do_20.1`	x86 e, PPC
Decision Optimization	22.1	`do-docplex_22.1` `do-opl_22.1` `do-cplex_22.1` `do-cpo_22.1`	`do_22.1`	x86 e, PPC
onnx ou onnxruntime	1.16	`onnxruntime_1.16`	`onnxruntime_opset_19`	x86
onnx ou onnxruntime	1.17	`onnxruntime_1.17`	`onnxruntime_opset_21`	x86
PMML	3.0 para 4.3	`pmml_.` (ou) `pmml_..*3.0 - 4.3`	`pmml-3.0_4.3`	x86 e, PPC
PyTorch	2.1	`pytorch-onnx_2.1` `pytorch-onnx_rt24.1`	`runtime-24.1-py3.11` `pytorch-onnx_rt24.1-py3.11` `pytorch-onnx_rt24.1-py3.11-edt` `pytorch-onnx_rt24.1-py3.11-dist`	x86 s390x, PPC
PyTorch	2.6	`onnxruntime_1.17`	`onnxruntime_opset_21`	x86 s390x, PPC
Funções Python	N/D	N/D	`runtime-24.1-py3.11`	x86 s390x, PPC
Funções Python	N/D	N/D	`runtime-24.1-py3.11-cuda`	x86
Funções Python	N/D	N/D	`runtime-25.1-py3.12`	x86, PPC, s390x
Funções Python	N/D	N/D	`runtime-25.1-py3.12-cuda`	x86
Scripts Python	N/D	N/D	`runtime-24.1-py3.11`	x86 s390x, PPC
Scripts Python	N/D	N/D	`runtime-24.1-py3.11-cuda`	x86
Scripts Python	N/D	N/D	`runtime-25.1-py3.12`	x86, PPC, s390x
Scripts Python	N/D	N/D	`runtime-25.1-py3.12-cuda`	x86
Scripts R	N/D	N/D	`runtime-24.1-r4.3`	x86
Scripts R	N/D	N/D	`runtime-25.1-r4.4`	x86
Aplicações R Shiny	N/D	N/D	`rstudio-24.1-r4.3`	x86 e, PPC
Aplicações R Shiny	N/D	N/D	`rstudio-25.1-r4.4`	x86 e, PPC
Scikit-learn	1.3	`scikit-learn_1.3`	`runtime-24.1-py3.11`	x86 s390x, PPC
Scikit-learn	1.6	`scikit-learn_1.6`	`runtime-25.1-py3.12`	x86, PPC, s390x
Spark	3.4	`mllib_3.4`	`spark-mllib_3.4`	x86 e, PPC
Spark	3.5	`mllib_3.5`	`spark-mllib_3.5`	x86 e, PPC
SPSS	17.1	`spss-modeler_17.1` (ver notas)	`spss-modeler_17.1`	x86
SPSS	18.1	`spss-modeler_18.1` (ver notas)	`spss-modeler_18.1`	x86
SPSS	18.2	`spss-modeler_18.2` (ver notas)	`spss-modeler_18.2`	x86
Tensorflow	2.14	`tensorflow_2.14` `tensorflow_rt24.1`	`runtime-24.1-py3.11` `tensorflow_rt24.1-py3.11-edt` `tensorflow_rt24.1-py3.11-dist` `tensorflow_rt24.1-py3.11`	x86 s390x, PPC
Tensorflow	2.14	`tensorflow_2.14` `tensorflow_rt24.1`	`runtime-24.1-py3.11-cuda`	x86
Tensorflow	2.18	`tensorflow_2.18`	`runtime-25.1-py3.12` `tensorflow_rt25.1-py3.12`	x86, PPC, s390x
Tensorflow	2.18	`tensorflow_2.18` `tensorflow_rt25.1`	`runtime-25.1-py3.12-cuda`	x86
XGBoost	2.0	`xgboost_2.0` ou `scikit-learn_1.3` (ver notas)	`runtime-24.1-py3.11`	x86 s390x, PPC
XGBoost	2.1	`xgboost_2.1` ou `scikit-learn_1.6` (ver notas)	`runtime-25.1-py3.12`	x86, PPC, s390x

Observação:

É possível adicionar a especificação do software 3.3 Spark descontinuado de volta à lista de especificações de software disponíveis. Para fazer isso, um administrador deve criar uma imagem personalizada.

Tipos de modelos compatíveis e especificações de software para modelos híbridos

Os seguintes tipos de modelos e especificações de software são compatíveis com modelos híbridos:

Lista de tipos de modelos compatíveis e especificações de software para modelos híbridos
Estrutura	Versões	Tipo de modelo	Especificação padrão do software	Especificação do software Pipeline	Plataformas compatíveis
Híbrido	0.1	`wml-hybrid_0.1`	`hybrid_0.1`	`autoai-kb_rt24.1-py3.11` `autoai-ts_rt24.1-py3.11`	x86, PPC, s390x
Híbrido	0.1	`wml-hybrid_0.1`	`hybrid_0.1`	`autoai-kb_rt25.1-py3.12` `autoai-ts_rt25.1-py3.12`	x86, PPC, s390x

Especificações de software compatíveis para implantação de modelos de NLP

Aqui está a lista de especificações de software compatíveis para a implantação de modelos de NLP:

Especificações de software compatíveis para implantação de modelos de NLP
Especificação de software	Versão do Python	Tempos de execução suportados
`runtime-24.1-py3.11`	3.11	Função de IA, Serviço de IA
`runtime-25.1-py3.12`	3.12	Função de IA, Serviço de IA

As implantações de NLP são suportadas na x86-64 plataforma.

Manipulação de ativos que dependem de especificações ou estruturas de software descontinuadas

Quando você tem ativos que dependem de especificações ou estruturas de software descontinuadas, em alguns casos a migração é perfeita. Em outros casos, é necessária sua ação para retreinar ou remanejar ativos.

As implantações existentes de modelos criados com versões descontinuadas da estrutura ou especificações de software são removidas na data da descontinuação.
Não são permitidas novas implantações de modelos criados com versões descontinuadas de frameworks ou especificações de software.
Se você atualizar a partir de uma versão anterior do software, as implantações de modelos, funções ou scripts baseados em estruturas não suportadas serão removidas. Você deve recriar as implantações com estruturas compatíveis.
Se você atualizar a partir de uma versão anterior do software e tiver modelos que utilizam estruturas não suportadas, ainda poderá acessar os modelos. No entanto, você não pode treiná-los ou pontuá-los até atualizar o tipo de modelo e a especificação do software, conforme descrito em Gerenciando especificações ou estruturas de software desatualizadas.