Используя IBM Watson Machine Learning, вы можете создавать аналитические модели и нейронные сети, обученные вашим данным, которые вы можете развернуть для использования в приложениях. Watson Machine Learning предоставляет полный спектр инструментов и услуг, позволяющих создавать, обучать и развертывать модели машинного обучения. Выбирайте из инструментов, которые полностью автоматизируют процесс обучения для быстрого прототипирования, до инструментов, которые дают вам полный контроль над созданием модели, соответствующей вашим потребностям.

Watson Studio предоставляет среду и инструменты для работы с данными для совместного решения бизнес-задач. Вы можете выбрать инструменты, необходимые для анализа и визуализации данных, очистки и формирования данных, приема потоковых данных или создания и обучения моделей машинного обучения. Архитектура Watson Studio сосредоточена вокруг аналитического проекта. Специалисты по данным и бизнес-аналитики используют аналитические проекты для организации ресурсов и анализа данных. На этом рисунке показана организация и взаимодействие аналитического проекта для Watson Studio.

В этой статье описаны пошаговые инструкции по развертыванию IBM Watson ML и Studio в IBM Cloud Pak for Data, работающем на Red Hat OpenShift в Azure.

Предположения

  • Кластер Red Hat OpenShift имеет доступ к высокоскоростному интернет-соединению и может извлекать образы непосредственно из IBM Entitled Registry. Если еще не настроили, следуйте инструкциям, представленным здесь.
  • IBM Cloud Pak для Data Control Plane, Foundational Services установлены и работают. Если нет, следуйте инструкциям, представленным здесь.
  • IBM Cloud Pak для оператора данных устанавливается в пространстве имен «ibm-common-services», а базовые службы устанавливаются в пространстве имен «cpd-instance».
  • Оператор WML и Studio будет установлен в пространстве имен «ibm-common-services», а служба WML и Studio будет установлена ​​в пространстве имен «cpd-instance».
  • Установка в демонстрационных целях, поэтому последняя версия программного обеспечения будет автоматически установлена ​​в кластере Red Hat OpenShift.
  • Пользователь обладает знаниями и опытом управления кластером Red Hat OpenShift.

Предварительное требование

  • Кластер Red Hat OpenShift версии 4.6 или новее с минимум 48 vCPU и 196 ГБ RAM
  • Хост-бастион с двумя виртуальными ЦП и 4 ГБ ОЗУ с ОС Linux
  • Доступ в Интернет для хоста Bastion и кластера Red Hat OpenShift
  • Хранилище контейнеров OpenShift (OCS), подключенное к кластеру Red Hat OpenShift. Эта ссылка поможет вам определить поддерживаемое хранилище. В этой демонстрации я использовал хранилище OCS.
  • Пользователь с доступом OpenShift Cluster и администратором проекта

Шаг 1. Загрузите файлы из репозитория GitHub с помощью следующей команды.

git clone https://github.com/kapilrajyaguru/Waston-ML-n-Studio-Installation.git

После загрузки файлов перейдите в каталог Watson-Knowledge-Catalog-Installation.

cd Waston-ML-n-Studio-Installation/

Шаг 2. Создайте подписку оператора Watson Machine Learning.

oc apply -f wmloperator.yaml
  • Убедитесь, что оператор был успешно создан. Выполните следующую команду, чтобы подтвердить активацию подписки:
oc get sub -n ibm-common-services ibm-cpd-wml-operator-subscription -o jsonpath='{.status.installedCSV} {"\n"}'

Убедитесь, что команда возвращает ibm-cpd-wml-operator.v1.1.5.

  • Выполните следующую команду, чтобы убедиться, что версия службы кластера (CSV) готова:
oc get csv -n ibm-common-services ibm-cpd-wml-operator.v1.1.5 -o jsonpath='{ .status.phase } : { .status.message} {"\n"}'

Убедитесь, что команда возвращает Успешно: стратегия установки завершена без ошибок.

  • Выполните следующую команду, чтобы подтвердить, что оператор готов:
oc get deployments -n ibm-common-services -l olm.owner="ibm-cpd-wml-operator.v1.1.5" -o jsonpath="{.items[0].status.availableReplicas} {'\n'}"

Убедитесь, что команда возвращает целое число, большее или равное 1. Если команда возвращает 0, подождите, пока развертывание станет доступным.

Шаг 3. Создайте пользовательский ресурс WmlBase для установки Watson Machine Learning.

oc apply -f wml.yaml
  • Чтобы проверить, завершила ли WML установку модулей службы Watson Machine Learning, выполните следующую команду:
oc get WmlBase wml-cr -o jsonpath='{.status.wmlStatus} {"\n"}'

Watson Machine Learning готов, когда команда возвращает значение «Выполнено».

Шаг 4 — Создайте подписку оператора Watson Studio.

oc apply -f studio_sub.yaml
  • Убедитесь, что оператор был успешно создан. Выполните следующую команду, чтобы подтвердить активацию подписки:
oc get sub -n ibm-common-services ibm-cpd-ws-operator-catalog-subscription -o jsonpath='{.status.installedCSV} {"\n"}'

Убедитесь, что команда возвращает ibm-cpd-wsl.v2.0.6.

  • Выполните следующую команду, чтобы убедиться, что версия службы кластера (CSV) готова:
oc get csv -n ibm-common-services ibm-cpd-wsl.v2.0.6 -o jsonpath='{ .status.phase } : { .status.message} {"\n"}'

Убедитесь, что команда возвращает Успешно: стратегия установки завершена без ошибок.

  • Выполните следующую команду, чтобы подтвердить, что оператор готов:
oc get deployments -n ibm-common-services -l olm.owner="ibm-cpd-wsl.v2.0.6" -o jsonpath="{.items[0].status.availableReplicas} {'\n'}"

Убедитесь, что команда возвращает целое число, большее или равное 1. Если команда возвращает 0, подождите, пока развертывание станет доступным.

Шаг 5 — Создайте пользовательский ресурс Watson Studio для установки Watson Studio.

oc apply -f ws.yaml
  • Чтобы проверить, завершила ли Watson Studio установку сервисных модулей Watson Studio, выполните следующую команду:
oc get WS ws-cr -o jsonpath='{.status.wsStatus} {"\n"}'

Watson Studio готов, когда команда возвращает значение «Выполнено».

Я надеюсь, что это краткое пошаговое руководство поможет вам быстро развернуть Watson Machine Learning и Watson Studio в облачном пакете IBM для данных, работающих в кластере Red Hat OpenShift, работающем в Azure.

Другие полезные ресурсы