Implementação de um modelo de Decision Optimization

Para implantar um modelo do Decision Optimization, crie um modelo pronto para implantação em seu espaço de implantação e, em seguida, carregue o modelo como um arquivo. Quando implantado, você pode enviar trabalhos para o seu modelo e monitorar os estados dos trabalhos.

Para implementar um modelo Decision Optimization :

1. Empacote seu modelo do Decision Optimization com seus dados comuns (opcionais) prontos para implementação como um arquivo tar.gz, .zipou .jar .
   Seu archive pode incluir os seguintes arquivos opcionais:

   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 Executar parâmetros (Decision Optimization).

   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.

   Nota: para modelos Python com diversos arquivos .py , coloque todos os arquivos na mesma pasta em seu archive A mesma pasta deve conter um arquivo principal chamado main.py Não use subpastas..
2. Criar um modelo pronto para implementação em Watson Machine Learning fornecendo as seguintes informações:
   • Instância do espaço de implementação
   • a especificação de hardware para os tamanhos de configuração disponíveis (pequeno S, médio M, grande L, extra grande XL). Veja configurações.
   • a versão de tempo de execução ' especificação de software (Decision Optimization ):
     • O tempo de execução do do_22.2 é baseado no CPLEX 22.2
     • O runtime do_22.1 é baseado no CPLEX 22.1 (O runtime do_ 20.1 está obsoleto e será removido em breve.)

     É possível estender a especificação do software fornecida pelo Watson Machine Learning Consulte o bloco de notas ' ExtendWMLSoftwareSpec na pasta ' jupyter do DO-samples. Selecione a subpasta de produto e versão relevantes. Para o watsonx em ambiente local, use os exemplos da subpasta v5.4.x do diretório Cloud Pak for Data.

     Atualizando tempos de execução do CPLEX:

     Se você já implantou seu modelo com um tempo de execução do CPLEX que não é mais suportado, você pode atualizar o seu modelo implementado existente usando a API REST ou a UI.

   • o tipo de modelo:
     • opl (do-opl_ <versão de tempo de execução>)
     • cplex (do-cplex_ <versão de tempo de execução>)
     • 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 do Runtime Decision Optimization; assim, por exemplo, um modelo OPL com o Runtime 22.2 teria o tipo de modelo do-opl_22.2.)

3. Faça upload de seu archive de modelo (tar.gz,.zipou .jar arquivo) no Watson Machine Learning. Consulte “Formatos de arquivos de dados de entrada e saída do modelo” em Decision Optimization para obter informações sobre os tipos de arquivos de entrada.
   Você obtém um modelo - URL. Seu modelo Watson Machine Learning pode ser usado em uma ou várias implantações.
4. Implemente seu modelo usando o MODEL-ID, o SPACE-ID e a especificação de hardware para os tamanhos de configuração disponíveis (small S, medium M, large L, extra large XL). 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. Monitorar a implementação usando o deployment-id. Os estados de implementação podem ser: initializing, updating, readyou failed.