使用用户界面部署 Decision Optimization 模型

您可以在 Decision Optimization 试验 UI 中保存要部署的模型，并将其提升到 Watson Machine Learning 部署空间。

准备工作

您必须具有与项目关联的 部署空间 。

关于本任务

当您对其结果，可靠性和性能感到满意时，可以使用 Watson Machine Learning在 Decision Optimization 试验 UI 中部署模型。

部署的主要阶段如下:
  1. 从 Decision Optimization 试验 UI中，将模型方案另存为项目中的 Watson Machine Learning 模型。
  2. 将 Watson Machine Learning 模型提升到部署空间。
  3. 在部署空间中，创建新部署。
  4. 然后，可以针对已部署的模型创建并运行作业。
以下过程详细描述了这些阶段。

过程

要保存模型以进行部署，请执行以下操作:

  1. 在 Decision Optimization 试验 UI中，从 方案 或从 " 概述 " 窗格中，单击要部署的方案的菜单图标 方案菜单图标 ，然后选择 保存以进行部署
  2. 指定模型的名称并添加描述 (如果需要) ，然后单击 下一步。
    1. 查看 输入 和 输出模式 ，然后选择要包含在模式中的表。
    2. 查看 运行参数 ，并根据需要添加，修改或删除任何参数。
    3. 复审 " 复审并保存 " 窗口中列出的 环境 和 模型文件 。
    4. 单击保存。
    然后，该模型在项目的 模型 部分中可用。

要将模型提升到部署空间，请执行以下操作:

  1. 在项目的 模型 部分中查看模型。
    您可以查看摘要以及输入和输出模式。 单击提升到部署空间。
  2. 在打开的 " 提升到空间 " 窗口中，检查 目标空间 字段是否显示部署空间的名称，然后单击 提升。
  3. 单击您收到的确认成功提升的消息中的链接 部署空间 。
    提升的模型将显示在 部署空间的 资产 选项卡中。 信息窗格向您显示 "类型" ， "软件" 规范，描述以及任何已定义的标记，例如所使用的 Python 版本。

要创建新部署，请执行以下操作:

  1. 从部署空间的 "资产" 选项卡 中，打开模型，然后单击 新建部署。
  2. 在打开的 " 创建部署 " 窗口中，指定部署的名称，然后选择 硬件规范。
    单击创建以创建该部署。 部署窗口随即打开，您稍后可从中创建作业。

结果

在部署空间中，您可以在模型的部署选项卡上访问有关部署的信息。

您可以创建和监视作业，并使用 watson.ai Python 客户机获取解决方案。 请参阅 DO-samples中的 RunDeployedModel Notebook 。 选择相应的产品和版本子文件夹。

创建和运行 Decision Optimization 作业

您可以创建作业并将其运行到已部署的模型。

过程

  1. 使用导航路径返回到部署空间，如果数据窗格尚未打开，请单击 数据 图标以打开数据窗格。 在此处，请上载输入数据表，以及解输出表和 KPI 输出表。 (必须在模型中定义输出表才能查看解法和 kpi 值。)
  2. 打开部署模型，方法是在部署空间的 "部署" 选项卡中选择该模型，然后单击 新建作业。
  3. 通过输入作业的名称和可选描述来定义作业的详细信息，然后单击 下一步。
  4. 通过选择硬件规范和 下一步来配置作业。
    您可以选择在此处调度作业，或者将缺省调度选项保留为关闭，然后单击 下一步。 您还可以选择开启通知或单击 下一步。
  5. 通过单击 "选择每个输入表和输出表的源" 来选择要在作业中使用的数据。 单击 下一步。
  6. 现在，您可以通过单击 创建来复审和创建模型。
    当您收到成功的作业创建消息时，可以通过从部署空间打开该消息来查看该消息。 在该位置，可以看到该作业的“运行状态”。
  7. 针对该作业，打开“运行”。
    作业日志随即打开，您还可以查看和复制有效内容信息。

结果

您可以创建和监视作业，并使用 watson.ai Python 客户机获取解决方案。 请参阅 DO-samples中的 RunDeployedModel Notebook 。 选择相应的产品和版本子文件夹。