手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. Create data science project をクリックします。

   Create a data science project ダイアログが開きます。

3. データサイエンスプロジェクトの name を入力します。
4. オプション: データサイエンスプロジェクトの リソース名 を編集します。リソース名は、小文字の英数字 - で設定され、英数字で開始および終了する必要があります。
5. データサイエンスプロジェクトの 説明 を入力します。

6. Create をクリックします。

   プロジェクトの詳細ページが開きます。ここから、ワークベンチを作成し、クラスターストレージを追加し、プロジェクトにデータ接続を追加できます。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. 詳細を更新するプロジェクトの横にあるアクションメニュー (⋮) をクリックし、Edit project をクリックします。

   Edit data science project ダイアログが開きます。

3. オプション: データサイエンスプロジェクトの name を更新します。
4. オプション: データサイエンスプロジェクトの 説明 を更新します。
5. Update をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. 削除するプロジェクトの横にあるアクションメニュー (⋮) をクリックし、Delete project をクリックします。

   Delete project ダイアログが開きます。

3. テキストフィールドにプロジェクトの名前を入力して、プロジェクトを削除することを確認します。
4. プロジェクトの削除 をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ワークベンチを追加するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. Workbenches セクションで Create workbench をクリックします。

   Create workbench ページが開きます。

4. 作成するワークベンチのプロパティーを設定します。

   1. ワークベンチの name を入力します。
   2. ワークベンチの description を入力します。
   3. ワークベンチサーバーに使用する notebook image を選択します。
   4. サーバーの container size を選択します。
   5. オプション: 新規の 環境変数 の値を選択し、指定します。

   6. OpenShift Data Science クラスターのストレージを設定します。

      1. OpenShift Data Science からログアウトした後に保持されるストレージを作成するには、Create new persistent storage を選択します。関連するフィールドに入力してストレージを定義します。
      2. 既存のストレージを再利用するには、Use existing persistent storage を選択し、Persistent storage リストからストレージを選択します。
5. Create workbench をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ワークベンチを開始するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. 関連するワークベンチの Status 列のトグルをクリックして、実行されていないワークベンチを起動します。

   起動したワークベンチのステータスが Stopped から Running に変わります。ワークベンチが起動したら、Open をクリックしてワークベンチのノートブックを開きます。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ワークベンチを更新するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. Workbenches セクションで更新するワークベンチの横にあるアクションメニュー (⋮) をクリックし、Edit workbench をクリックします。

   Edit workbench ページが開きます。

4. ワークベンチのプロパティーを更新します。

   1. 該当する場合は、ワークベンチの name を更新します。
   2. 該当する場合は、ワークベンチの description を更新します。
   3. 該当する場合は、ワークベンチサーバーに使用する新しい notebook image を選択します。
   4. 該当する場合は、サーバーの新しい container size を選択します。
5. Update workbench をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ワークベンチを削除するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. Workbenches セクションで削除するワークベンチの横にあるアクションメニュー (⋮) をクリックし、Delete workbench をクリックします。

   Delete workbench ダイアログが開きます。

4. ワークベンチの名前をテキストフィールドに入力して、削除することを確認します。
5. Delete workbench をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. データ接続を追加するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. ページの Data connections セクションで、Add data connection をクリックします。

   Add data connection ダイアログが開きます。

4. データ接続の name を入力します。
5. AWS_ACCESS_KEY_ID フィールドに、Amazon Web Services のアクセスキー ID を入力します。
6. AWS_SECRET_ACCESS_KEY_ID フィールドで指定したアカウントのシークレットアクセスキーを入力します。
7. AWS_S3_ENDPOINT フィールドに AWS S3 ストレージのエンドポイントを入力します。
8. AWS_DEFAULT_REGION フィールドに、AWS アカウントのデフォルトリージョンを入力します。
9. AWS_S3_BUCKET フィールドに AWS S3 バケットの名前を入力します。
10. Add data connection をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. データ接続を削除するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. Data connections セクションで削除するデータ接続の横にあるアクションメニュー (⋮) をクリックし、Delete data connection をクリックします。

   Delete data connection ダイアログが開きます。

4. テキストフィールドにデータ接続の名前を入力して、削除することを確認します。
5. Delete data connection をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. データソースを変更するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Data connections セクションで変更するデータソースの横にあるアクションメニュー (⋮) をクリックし、Change connected workbenches をクリックします。

   Update connected workbenches ダイアログが開きます。

4. データソースを接続する既存の workbench をリストから選択します。
5. Update connected workbenches をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. クラスターストレージを追加するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. ページの Cluster storage セクションで、Add cluster storage をクリックします。

   Add storage ダイアログが開きます。

4. クラスターストレージの name を入力します。
5. クラスターストレージの description を入力します。
6. Persistent storage size で、新しいサイズをギビバイト単位で入力します。最小サイズは 1 GiB、最大サイズは 16384 GiB です。
7. オプション: リストから ワークベンチ を選択して、クラスターストレージを既存のワークベンチに接続します。
8. ストレージを接続するワークベンチを選択した場合は、Mount folder フィールドにストレージディレクトリーを入力します。
9. Add storage をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ストレージを更新するプロジェクトの名前をクリックします。

   プロジェクトの Details ページが開きます。

3. Cluster storage セクションで更新するストレージの横にあるアクションメニュー (⋮) をクリックし、Edit storage をクリックします。

   Edit storage ページが開きます。

4. ストレージのプロパティーを更新します。

   1. 該当する場合は、ストレージの name を更新します。
   2. 該当する場合は、ストレージの description を更新します。

   3. 必要に応じて、ストレージの Persistent storage size を増やします。

      増加できるのはストレージサイズのみであることに注意してください。ストレージサイズを更新すると、ワークベンチが再起動され、通常はサイズの変更に比例して一定期間使用できなくなります。

   4. 該当する場合は、ストレージが接続されている ワークベンチ を更新します。
   5. ストレージを接続する新しいワークベンチを選択した場合は、Mount folder フィールドにストレージディレクトリーを入力します。
5. Update storage をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. ストレージを削除するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Cluster storage セクションで、削除するストレージの横にあるアクションメニュー (⋮) をクリックし、Delete storage をクリックします。

   Delete storage ダイアログが開きます。

4. テキストフィールドにストレージの名前を入力して、削除することを確認します。
5. Delete storage をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. パイプラインサーバーを設定するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Pipelines セクションで、Create a pipeline server をクリックします。

   Configure pipeline server ダイアログが表示されます。

4. Object storage connection セクションで、パイプラインアーティファクトを保存するための S3 互換データ接続を指定するには、次のアクションセットのいずれかを選択します。

   注記

   パイプラインサーバーの作成後、/metadata フォルダーと /artifacts フォルダーがデフォルトの root フォルダーに自動的に作成されます。したがって、パイプラインサーバーのデータ接続を設定するときに、ストレージディレクトリーを指定する必要はありません。

   • Existing data connection を選択して、以前に定義したデータ接続を使用します。このオプションを選択した場合は、Name リストから関連するデータ接続の名前を選択し、手順 6 に進みます。
   • Create new data connection を選択して、パイプラインサーバーがアクセスできる新しいデータ接続を追加します。

5. Create new data connection を選択した場合は、次の手順を実行します。

   1. Name フィールドに、データ接続の名前を入力します。
   2. AWS_ACCESS_KEY_ID フィールドに、Amazon Web Services のアクセスキー ID を入力します。
   3. AWS_SECRET_ACCESS_KEY_ID フィールドで指定したアカウントのシークレットアクセスキーを入力します。
   4. オプション: AWS_S3_ENDPOINT フィールドに、AWS S3 ストレージのエンドポイントを入力します。
   5. オプション: AWS_DEFAULT_REGION フィールドに、AWS アカウントのデフォルトのリージョンを入力します。

   6. AWS_S3_BUCKET フィールドに AWS S3 バケットの名前を入力します。

      重要

      新しいデータ接続を作成する場合は、指定された他の必須フィールドに加えて、AWS_S3_BUCKET フィールドも必須です。間違ったデータ接続設定を指定した場合は、同じパイプラインサーバー上でこれらの設定を更新できません。したがって、パイプラインサーバーを削除し、別のパイプラインサーバーを設定する必要があります。

6. Database セクションで、Show advanced database options をクリックしてパイプラインデータを保存するデータベースを指定し、次の一連のアクションのいずれかを選択します。

   • プロジェクトに MariaDB データベースをデプロイするには、Use default database stored on your cluster を選択します。

   • Connect to external MySQL database を選択して、パイプラインサーバーがアクセスできる外部データベースに新しい接続を追加します。

     1. Host フィールドにデータベースのホスト名を入力します。
     2. Port フィールドにデータベースのポートを入力します。
     3. Username フィールドに、データベースに接続するデフォルトのユーザー名を入力します。
     4. Password フィールドに、デフォルトのユーザーアカウントのパスワードを入力します。
     5. Database フィールドにデータベース名を入力します。
7. Configure をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインをインポートするプロジェクトを選択します。

3. Import pipeline をクリックします。

   Import pipeline ダイアログが開きます。

4. インポートするパイプラインの詳細を入力します。

   1. Pipeline name フィールドに、インポートするパイプラインの名前を入力します。
   2. Pipeline description フィールドに、インポートするパイプラインの説明を入力します。

   3. Upload をクリックします。または、ローカルマシンのファイルシステムからファイルをドラッグし、Import pipeline ダイアログの指定された領域にドロップします。

      ファイルブラウザーが開きます。

   4. パイプラインコードを含むファイルに移動し、Select をクリックします。
   5. Import pipeline をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーを設定するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションで、Add server をクリックします。

   Add model server ダイアログが開きます。

4. Model sever name フィールドに、モデルサーバーの一意の名前を入力します。
5. Serving runtime リストから、OpenShift Data Science デプロイメントにインストールされ有効になっているモデル提供ランタイムを選択します。
6. Number of model replicas to deploy フィールドに値を指定します。

7. Model server size リストから、次のいずれかのサーバーサイズを選択します。

   • Small
   • Medium
   • Large
   • Custom

8. オプション: 前の手順で Custom を選択した場合は、Model server size セクションで次を設定して、モデルサーバーをカスタマイズします。

   1. CPUs requested フィールドで、モデルサーバーで使用する CPU の数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
   2. CPU limit フィールドに、モデルサーバーで使用する CPU の最大数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
   3. Memory requested フィールドに、モデルサーバーに要求されたメモリーをギビバイト (Gi) 単位で指定します。
   4. Memory limit フィールドに、モデルサーバーの最大メモリー制限をギビバイト (Gi) 単位で指定します。

9. オプション: Model server GPUs フィールドで、モデルサーバーで使用する GPU の数を指定します。

   重要

   OpenShift Data Science には、デフォルトで 2 つのバージョンの OpenVINO Model Server (OVMS) ランタイムが含まれています。GPU をサポートするバージョンとサポートしないバージョン。GPU を使用するには、Serving runtime リストから、表示名に Supports GPUs が含まれるバージョンを選択する必要があります。

   モデルサーバーで カスタム モデル提供ランタイムを使用している場合は、カスタムランタイムが GPU をサポートし、GPU を使用するように適切に設定されていることを確認する必要があります。

10. オプション: Model route セクションで、Make deployed models available through an external route チェックボックスをオンにして、デプロイされたモデルを外部クライアントが利用できるようにします。

11. オプション: Token authorization セクションで、Require token authentication チェックボックスをオンにして、モデルサーバーにトークン認証を要求します。トークン認証の設定を完了するには、次のアクションを実行します。

    1. Service account name フィールドに、トークンが生成されるサービスアカウント名を入力します。生成されたトークンは、モデルサーバーの設定時に作成され、Token secret フィールドに表示されます。
    2. 追加のサービスアカウントを追加するには、Add a service account をクリックし、別のサービスアカウント名を入力します。
12. Add をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Settings > Serving runtimes をクリックします。

   Serving runtimes ページが開き、OpenShift Data Science デプロイメントにすでにインストールされ有効になっているモデル提供ランタイムが表示されます。デフォルトでは、OpenVINO Model Server ランタイムがプリインストールされ、OpenShift Data Science で有効になっています。

2. 新しいカスタムランタイムを追加するには、Add serving runtime をクリックします。

   Add serving runtime ページが開きます。

3. 新しいランタイムの追加を開始するには、次の一連のアクションのいずれかを実行します。

   • YAML ファイルをアップロードするには

     1. Upload files をクリックします。

        ファイルブラウザーが開きます。

     2. ファイルブラウザーで、コンピューター上の YAML ファイルを選択します。このファイルは、kserve/modelmesh-serving リポジトリーからダウンロードしたサンプルランタイムの 1 つである可能性があります。

        埋め込み YAML エディターが開き、アップロードしたファイルの内容が表示されます。

   • エディターに YAML コードを直接入力するには

     1. Start from scratch をクリックします。

        埋め込み YAML エディターがコンテンツなしで開きます。

     2. 埋め込みエディターに YAML コードを直接入力または貼り付けます。貼り付ける YAML は、kserve/modelmesh-serving リポジトリー内のサンプルランタイムの 1 つからコピーされる場合があります。

4. オプション: kserve/modelmesh-serving リポジトリーにサンプルランタイムの 1 つを追加する場合は、次の変更を実行します。

   1. YAML エディターで、ランタイムの kind フィールドを見つけます。このフィールドの値を ServingRuntime に更新します。

   2. YAML エディターで、ランタイムの containers.image フィールドを見つけます。追加するランタイムに基づいて、フィールドを次のいずれかに更新します。

      Nvidia Triton Inference Server

      image: nvcr.io/nvidia/tritonserver:21.06.1-py3

      Seldon Python MLServer

      image: seldonio/mlserver:0.5.2

      TorchServe

      image: pytorch/torchserve:0.6.0-cpu

5. metadata.name フィールドで、追加するランタイムの値が一意であることを確認します (つまり、値がすでに追加したランタイムの値と同じではありません)。

6. オプション: 追加するランタイムのカスタム表示名を設定するには、次の例に示すように、metadata.annotations.openshift.io/display-name フィールドを追加し、値を指定します。

   apiVersion: serving.kserve.io/v1alpha1
   kind: ServingRuntime
   metadata:
     name: mlserver-0.x
     annotations:
       openshift.io/display-name: MLServer

   注記

   ランタイムのカスタム表示名を設定しないと、OpenShift Data Science には metadata.name フィールドの値が表示されます。

7. Add をクリックします。

   Serving runtimes ページが開き、インストールされているランタイムの更新されたリストが表示されます。追加したランタイムが自動的に有効になることを確認します。

8. オプション: カスタムランタイムを編集するには、アクションメニュー (⋮) をクリックし、Edit を選択します。

   注記

   デフォルトで OpenShift Data Science に含まれる OpenVINO Model Server ランタイムを直接編集できません。ただし、このランタイムを 複製 し、複製したバージョンの編集は可能です。その後、編集したクローンを新しいカスタムランタイムとして追加できます。これを行うには、OpenVINO Model Server の横にあるアクションメニューをクリックし、Clone を選択します。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーの詳細を更新するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションで、更新するモデルサーバーを見つけます。アクションメニュー (⋮) をクリックし、Edit model server を選択します。

   Configure model server ダイアログが開きます。

4. 次のように、モデルサーバーのプロパティーを更新します。

   注記

   すでに設定されているモデルサーバーの 提供ランタイム の選択を変更できません。これにより、すでにデプロイされたモデルをサポートしないランタイムへの変更が防止されます。

   1. Model server name フィールドに、モデルサーバーの新しい一意の名前を入力します。
   2. Number of model replicas to deploy フィールドに値を指定します。

   3. Model server size リストから、次のいずれかのサーバーサイズを選択します。

      • Small
      • Medium
      • Large
      • Custom

   4. オプション: 前の手順で Custom を選択した場合は、Model server size セクションで次を設定して、モデルサーバーをカスタマイズします。

      1. CPUs requested フィールドで、モデルサーバーで使用する CPU の数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
      2. CPU limit フィールドに、モデルサーバーで使用する CPU の最大数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
      3. Memory requested フィールドに、モデルサーバーに要求されたメモリーをギビバイト (Gi) 単位で指定します。
      4. Memory limit フィールドに、モデルサーバーの最大メモリー制限をギビバイト (Gi) 単位で指定します。

   5. オプション: Model server GPUs フィールドで、モデルサーバーで使用する GPU の数を指定します。

      重要

      OpenShift Data Science には、デフォルトで 2 つのバージョンの OpenVINO Model Server (OVMS) ランタイムが含まれています。GPU をサポートするバージョンとサポートしないバージョン。GPU を使用するには、Serving runtime リストから、表示名に Supports GPUs が含まれるバージョンを選択する必要があります。

      モデルサーバーで カスタム モデル提供ランタイムを使用している場合は、カスタムランタイムが GPU をサポートし、GPU を使用するように適切に設定されていることを確認する必要があります。

   6. オプション: Model route セクションで、Make deployed models available through an external route チェックボックスをオンにして、デプロイされたモデルを外部クライアントが利用できるようにします。

   7. オプション: Token authorization セクションで、Require token authentication チェックボックスをオンにして、モデルサーバーにトークン認証を要求します。トークン認証の設定を完了するには、次のアクションを実行します。

      1. Service account name フィールドに、トークンが生成されるサービスアカウント名を入力します。生成されたトークンは、モデルサーバーの設定時に作成され、Token secret フィールドに表示されます。
      2. 追加のサービスアカウントを追加するには、Add a service account をクリックし、別のサービスアカウント名を入力します。
5. Configure をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーを削除するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションでモデルサーバーを削除するプロジェクトの横にあるアクションメニュー (⋮) をクリックし、Delete model server をクリックします。

   Delete model server ダイアログが開きます。

4. テキストフィールドにモデルサーバーの名前を入力して、削除することを確認します。
5. Delete model server をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. データサイエンスプロジェクトのリストから、アクセスを共有するデータサイエンスプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Permissions タブをクリックします。

   プロジェクトの Permissions ページが開きます。

4. 1 人以上のユーザーにプロジェクトへのアクセス権を付与します。

   1. Users セクションで、Add plan をクリックします。
   2. Name フィールドに、プロジェクトへのアクセスを許可するユーザーのユーザー名を入力します。

   3. Permissions リストから、次のいずれかのアクセス権限レベルを選択します。

      • 管理者: このアクセスレベルを持つユーザーは、プロジェクトの詳細を編集し、プロジェクトへのアクセスを管理できます。
      • 編集: このアクセスレベルを持つユーザーは、ワークベンチ、データ接続、ストレージなどのプロジェクトコンポーネントを表示および編集できます。
   4. 入力内容を確認するには、Confirm ( ) をクリックします。
   5. オプション: さらにユーザーを追加するには、Add user をクリックしてプロセスを繰り返します。

5. 1 つ以上の OpenShift グループにプロジェクトへのアクセスを提供します。

   1. Groups セクションで、Add group をクリックします。

   2. Name リストから、プロジェクトへのアクセスを提供するグループを選択します。

      注記

      cluster-admin 権限または dedicated-admin 権限がない場合は、名前 リストが表示されません。代わりに、グループ権限を設定できる入力フィールドが表示されます。

   3. Permissions リストから、次のいずれかのアクセス権限レベルを選択します。

      • 管理者: このアクセス許可レベルを持つグループは、プロジェクトの詳細を編集し、プロジェクトへのアクセスを管理できます。
      • 編集: このアクセス許可レベルを持つグループは、ワークベンチ、データ接続、ストレージなどのプロジェクトコンポーネントを表示および編集できます。
   4. 入力内容を確認するには、Confirm ( ) をクリックします。
   5. オプション: さらにグループを追加するには、グループの追加 をクリックしてプロセスを繰り返します。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. アクセス権限を変更するプロジェクト名をクリックします。

   プロジェクトの詳細ページが開きます。

3. Permissions タブをクリックします。

   プロジェクトの Permissions ページが開きます。

4. プロジェクトに対するユーザーのアクセス権限を更新します。

   1. Name フィールドで、プロジェクトへのアクセスを許可するユーザーのユーザー名を更新します。

   2. Permissions リストから、次のいずれかを選択してユーザーのアクセス権限を更新します。

      • 管理者: このアクセスレベルを持つユーザーは、プロジェクトの詳細を編集し、プロジェクトへのアクセスを管理できます。
      • 編集: このアクセスレベルを持つユーザーは、ワークベンチ、データ接続、ストレージなどのプロジェクトコンポーネントを表示および編集できます。
   3. エントリーの更新を確認するには、Confirm ( ) をクリックします。

5. プロジェクトへの OpenShift グループのアクセス権限を更新します。

   1. Name リストから別のグループを選択して、プロジェクトにアクセスできるグループを更新します。

      注記

      cluster-admin 権限または dedicated-admin 権限がない場合は、名前 リストが表示されません。代わりに、グループ権限を設定できる入力フィールドが表示されます。

   2. Permissions リストから、次のいずれかを選択してグループのアクセス権限を更新します。

      • 管理者: このアクセス許可レベルを持つグループは、プロジェクトの詳細を編集し、プロジェクトへのアクセスを管理できます。
      • 編集: このアクセス許可レベルを持つグループは、ワークベンチ、データ接続、ストレージなどのプロジェクトコンポーネントを表示および編集できます。
   3. エントリーの更新を確認するには、Confirm ( ) をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. アクセス権限を変更するプロジェクト名をクリックします。

   プロジェクトの詳細ページが開きます。

3. Permissions タブをクリックします。

   プロジェクトの Permissions ページが開きます。

4. アクセス権限を取り消すユーザーまたはグループの横にあるアクションメニュー (⋮) をクリックし、Delete をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. パイプラインサーバーを設定するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Pipelines セクションで、Create a pipeline server をクリックします。

   Configure pipeline server ダイアログが表示されます。

4. Object storage connection セクションで、パイプラインアーティファクトを保存するための S3 互換データ接続を指定するには、次のアクションセットのいずれかを選択します。

   注記

   パイプラインサーバーの作成後、/metadata フォルダーと /artifacts フォルダーがデフォルトの root フォルダーに自動的に作成されます。したがって、パイプラインサーバーのデータ接続を設定するときに、ストレージディレクトリーを指定する必要はありません。

   • Existing data connection を選択して、以前に定義したデータ接続を使用します。このオプションを選択した場合は、Name リストから関連するデータ接続の名前を選択し、手順 6 に進みます。
   • Create new data connection を選択して、パイプラインサーバーがアクセスできる新しいデータ接続を追加します。

5. Create new data connection を選択した場合は、次の手順を実行します。

   1. Name フィールドに、データ接続の名前を入力します。
   2. AWS_ACCESS_KEY_ID フィールドに、Amazon Web Services のアクセスキー ID を入力します。
   3. AWS_SECRET_ACCESS_KEY_ID フィールドで指定したアカウントのシークレットアクセスキーを入力します。
   4. オプション: AWS_S3_ENDPOINT フィールドに、AWS S3 ストレージのエンドポイントを入力します。
   5. オプション: AWS_DEFAULT_REGION フィールドに、AWS アカウントのデフォルトのリージョンを入力します。

   6. AWS_S3_BUCKET フィールドに AWS S3 バケットの名前を入力します。

      重要

      新しいデータ接続を作成する場合は、指定された他の必須フィールドに加えて、AWS_S3_BUCKET フィールドも必須です。間違ったデータ接続設定を指定した場合は、同じパイプラインサーバー上でこれらの設定を更新できません。したがって、パイプラインサーバーを削除し、別のパイプラインサーバーを設定する必要があります。

6. Database セクションで、Show advanced database options をクリックしてパイプラインデータを保存するデータベースを指定し、次の一連のアクションのいずれかを選択します。

   • プロジェクトに MariaDB データベースをデプロイするには、Use default database stored on your cluster を選択します。

   • Connect to external MySQL database を選択して、パイプラインサーバーがアクセスできる外部データベースに新しい接続を追加します。

     1. Host フィールドにデータベースのホスト名を入力します。
     2. Port フィールドにデータベースのポートを入力します。
     3. Username フィールドに、データベースに接続するデフォルトのユーザー名を入力します。
     4. Password フィールドに、デフォルトのユーザーアカウントのパスワードを入力します。
     5. Database フィールドにデータベース名を入力します。
7. Configure をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインをインポートするプロジェクトを選択します。

3. Import pipeline をクリックします。

   Import pipeline ダイアログが開きます。

4. インポートするパイプラインの詳細を入力します。

   1. Pipeline name フィールドに、インポートするパイプラインの名前を入力します。
   2. Pipeline description フィールドに、インポートするパイプラインの説明を入力します。

   3. Upload をクリックします。または、ローカルマシンのファイルシステムからファイルをドラッグし、Import pipeline ダイアログの指定された領域にドロップします。

      ファイルブラウザーが開きます。

   4. パイプラインコードを含むファイルに移動し、Select をクリックします。
   5. Import pipeline をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインをダウンロードするプロジェクトを選択します。

3. Pipeline name 列で、ダウンロードするパイプラインの名前をクリックします。

   Pipeline details ページが開き、Graph タブが表示されます。

4. YAML タブをクリックします。

   ページがリロードされ、パイプラインコードを示す埋め込み YAML エディターが表示されます。

5. Download ボタン ( ) をクリックして、パイプラインのコードを含む YAML ファイルをローカルマシンにダウンロードします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、削除するパイプラインを含むプロジェクトを選択します。

3. 削除するパイプラインの横にあるアクションメニュー (⋮) をクリックし、Delete pipeline の削除をクリックします。

   Delete pipeline ダイアログが開きます。

4. テキストフィールドにパイプライン名を入力して、削除することを確認します。
5. Delete pipeline をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインサーバーを削除するプロジェクトを選択します。
3. Pipeline server actions リストから、Delete pipeline server を選択します。Delete pipeline server ダイアログが開きます。
4. パイプラインサーバーの名前をテキストフィールドに入力して、削除することを確認します。
5. Delete をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインサーバーを表示するプロジェクトを選択します。
3. Pipeline server actions リストから、View pipeline server configuration を選択します。
4. パイプラインサーバーの詳細の検査が終了したら、Done をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプラインを表示する関連プロジェクトを選択します。
3. リストにあるパイプラインを調べてください。
4. オプション: 関連する行の Expand ( ) をクリックして、パイプラインの実行済み実行を表示します。パイプラインに実行が含まれていない場合は、Create run クリックしてを作成します。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. 関連するパイプラインの横にあるアクションメニュー (⋮) をクリックし、Create run をクリックします。

   Create run ページが開きます。

3. Project リストから、実行を作成するパイプラインを含むプロジェクトを選択します。
4. Name フィールドには、実行の名前を入力します。
5. Description フィールドには、実行の説明を入力します。
6. Pipeline リストから、実行を作成するパイプラインを選択します。または、新しいパイプラインをアップロードするには、Upload new pipeline をクリックし、Import pipeline ダイアログの関連フィールドに入力します。

7. 次の一連のアクションのいずれかを実行して、実行タイプを設定します。

   • Run once immediately after creation を選択して、実行を作成直後に 1 回実行するように指定します。

   • 繰り返し実行をスケジュールするには、Schedule recurring run を選択します。

     1. 実行のトリガータイプを設定します。

        1. Periodic を選択し、リストから実行頻度を選択します。
        2. cron 形式で実行スケジュールを指定するには、Cron を選択します。これにより、実行用の cron ジョブが作成されます。Copy ボタン ( ) をクリックして、cron ジョブスケジュールをクリップボードにコピーします。一番左のフィールドは秒を表します。サポートされている cron 形式を使用したタスクのスケジュールの詳細は、Cron Expression Format を参照してください。

     2. 実行時間を設定します。

        1. Start date チェックボックスをオンにして、実行の開始日を指定します。Calendar を使用して実行の開始日を選択し、時間のリストから開始時間を選択します。
        2. End date チェックボックスをオンにして、実行の終了日を指定します。Calendar を使用して実行の終了日を選択し、時間のリストから終了時間を選択します。
8. リストからパラメーターを選択して、実行の入力パラメーターを設定します。
9. Create をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. 関連する実行の横にあるアクションメニュー (⋮) をクリックし、Clone をクリックします。

   Clone ページが開きます。

3. Project リストから、クローンを作成する実行のパイプラインを含むプロジェクトを選択します。
4. Name フィールドに、クローンを作成する実行の名前を入力します。
5. Description フィールドに、クローンを作成する実行の説明を入力します。
6. Pipeline リストから、クローンを作成する実行を含むパイプラインを選択します。

7. 複製する実行のタイプを設定するには、Run type セクションで、次の一連のアクションのいずれかを実行します。

   • Run once immediately after create を選択して、クローンを作成する実行が作成直後に 1 回実行するように指定します。このオプションを選択した場合は、ステップ 10 に進みます。
   • Schedule recurring run を選択して、クローンを作成する実行を繰り返し実行するようにスケジュールします。

8. 前の手順で Schedule recurring run を選択した場合は、実行のトリガータイプを設定し、次のいずれかのアクションを実行します。

   • Periodic を選択し、Run every リストから実行頻度を選択します。
   • cron 形式で実行スケジュールを指定するには、Cron を選択します。これにより、実行用の cron ジョブが作成されます。Copy ボタン ( ) をクリックして、cron ジョブスケジュールをクリップボードにコピーします。一番左のフィールドは秒を表します。サポートされている cron 形式を使用したタスクのスケジュールの詳細は、Cron Expression Format を参照してください。

9. 手順 7 で Schedule recurring run を選択した場合は、クローンを作成する実行の期間を設定します。

   1. Start date チェックボックスをオンにして、実行の開始日を指定します。カレンダーツールを使用して開始日を選択し、時間のリストから開始時間を選択します。
   2. End date チェックボックスをオンにして、実行の終了日を指定します。カレンダーツールを使用して終了日を選択し、時間のリストから終了時刻を選択します。
10. Parameters セクションで、リストから適切なパラメーターを選択して、クローンを作成する実行の入力パラメーターを設定します。
11. Create をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. Project リストから、パイプラインの実行を停止するプロジェクトを選択します。
3. Triggered タブをクリックします。

4. 表の Name 列で、停止する実行の名前をクリックします。

   Run details ページが開きます。

5. Actions リストから Stop run を選択します。

   実行が停止するまでに短い遅延が発生する可能性があります。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. Project リストから、スケジュールされた実行を削除するパイプラインを含むプロジェクトを選択します。

   ページが更新されて、パイプラインのスケジュールされた実行が Scheduled タブに表示されます。

3. 削除するスケジュールされた実行の横にあるアクションメニュー (⋮) をクリックし、Delete をクリックします。

   Delete scheduled run ダイアログが開きます。

4. テキストフィールドに実行の名前を入力して、プロジェクトを削除することを確認します。
5. Delete scheduled run をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. Project リストから、トリガーされた実行を削除するパイプラインを含むプロジェクトを選択します。

   ページが更新されて、パイプラインのトリガーされた実行が Triggered タブに表示されます。

3. 削除するトリガーされた実行の横にあるアクションメニュー (⋮) をクリックし、Delete をクリックします。

   Delete triggered run ダイアログが開きます。

4. テキストフィールドに実行の名前を入力して、プロジェクトを削除することを確認します。
5. Delete triggered run をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. Project リストから、スケジュールされたパイプライン実行を表示するプロジェクトを選択します。
3. Scheduled タブをクリックします。

4. スケジュールされた実行のリストを示す表を調べてください。

   実行がスケジュールされると、表の Status 列に実行のステータスが表示され、実行の準備ができているか、実行できないかを示します。以前にインポートしたノートブックイメージを有効または無効にするには、関連するノートブックイメージを含む行で、Enabled 列のトグルをクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Runs をクリックします。

   Runs ページが開きます。

2. Project リストから、以前に実行されたパイプライン実行を表示するプロジェクトを選択します。

   Run details ページが開きます。

3. Triggered タブをクリックします。

   トリガーされた実行のリストを示すテーブルが開きます。実行が完了すると、表の Status 列に実行のステータスが表示され、実行が成功したか失敗したかが示されます。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Pipelines → Pipelines をクリックします。

   Pipelines ページが開きます。

2. Project リストから、パイプライン実行を表示するプロジェクトを選択します。
3. 実行の詳細を表示するパイプラインの場合は、Expand ( ) をクリックします。

4. Runs セクションで、詳細を表示する実行の名前をクリックします。

   Run details ページが開きます。

手順

1. JupyterLab を開くと、JupyterLab ランチャーが自動的に表示されることを確認します。

2. JupyterLab ランチャーの Elyra セクションで、Pipeline Editor タイルをクリックします。

   Pipeline Editor が開きます。

手順

1. JupyterLab の左側のサイドバーで、Runtimes ( ) をクリックします。

2. Create new runtime configuration ボタン ( ) をクリックします。

   Add new Data Science Pipelines runtime configuration ページが開きます。

3. 関連フィールドに入力してランタイム設定を定義します。

   1. Display Name フィールドに、ランタイム設定の名前を入力します。
   2. オプション: Description フィールドに、ランタイム設定を定義する説明を入力します。
   3. オプション: Tags フィールドで、Add Tag をクリックして、パイプラインインスタンスのカテゴリーを定義します。タグの名前を入力し、Enter キーを押します。

   4. データサイエンスパイプラインの認証情報を定義します。

      1. Data Science Pipelines API Endpoint フィールドに、データサイエンスパイプラインの API エンドポイントを入力します。このフィールドにはパイプラインの namespace を指定しないでください。

      2. Public Data Science Pipelines API Endpoint フィールドに、データサイエンスパイプラインのパブリック API エンドポイントを入力します。

         重要

         ダッシュボードの Data Science Pipelines → Runs ページから Data Science Pipelines API エンドポイントを取得できます。関連するエンドポイントをコピーし、Public Data Science Pipelines API Endpoint フィールドに入力します。

      3. オプション: Data Science Pipelines User Namespace フィールドに、パイプラインを実行するための関連するユーザー namespace を入力します。
      4. Data Science Pipelines engine リストから、Tekton を選択します。

      5. Authentication Type リストから、パイプラインの認証に必要な認証タイプを選択します。

         重要

         ダッシュボードの Jupyter タイルから直接ノートブックを作成した場合は、Authentication Type リストから EXISTING_BEARER_TOKEN を選択します。

      6. Data Science Pipelines API Endpoint Username フィールドに、認証タイプに必要なユーザー名を入力します。

      7. Data Science Pipelines API Endpoint Password Or Token に、認証タイプに必要なパスワードまたはトークンを入力します。

         重要

         Data Science Pipelines API エンドポイントトークンを取得するには、OpenShift Web コンソールの右上隅にあるユーザー名をクリックし、Copy login command を選択します。ログインしたら、Display token をクリックし、Log in with this token コマンドから --token= の値をコピーします。

   5. S3 互換ストレージの接続情報を定義します。

      1. Cloud Object Storage Endpoint フィールドに、S3 互換ストレージのエンドポイントを入力します。Amazon s3 エンドポイントの詳細は、Amazon Simple Storage Service エンドポイントおよびクォータ を参照してください。
      2. オプション: Public Cloud Object Storage Endpoint フィールドに、S3 互換ストレージの URL を入力します。
      3. Cloud Object Storage Bucket Name フィールドに、パイプラインアーティファクトが保存されているバケットの名前を入力します。バケット名が存在しない場合は、自動的に作成されます。
      4. Cloud Object Storage Authentication Type リストから、S3 互換クラウドストレージへのアクセスに必要な認証タイプを選択します。AWS S3 バケットを使用する場合は、一覧から KUBERNETES_SECRET を選択します。
      5. Cloud Object Storage Credentials Secret フィールドに、ストレージのユーザー名とパスワードを含むシークレットを入力します。このシークレットは、該当する場合、関連するユーザー namespace で定義されます。さらに、パイプラインランタイムをホストするクラスターに保存する必要があります。
      6. Cloud Object Storage Username フィールドに、S3 互換クラウドストレージに接続するためのユーザー名を入力します (該当する場合)。AWS S3 バケットを使用する場合は、AWS Secret Access Key ID を入力します。
      7. Cloud Object Storage Password フィールドに、S3 互換クラウドストレージに接続するためのパスワードを入力します (該当する場合)。AWS S3 バケットを使用する場合は、AWS Secret Access Key を入力します。
   6. Save & Close をクリックします。

手順

1. JupyterLab の左側のサイドバーで、Runtimes ( ) をクリックします。

2. 更新するランタイム設定の上にカーソルを置き、Edit ボタン ( ) をクリックします。

   Data Science Pipelines runtime configuration ページが開きます。

3. 関連フィールドに入力してランタイム設定を更新します。

   1. 必要に応じて、Display Name フィールドでランタイム設定の名前を更新します。
   2. オプション: 必要に応じて、Description フィールドでランタイム設定の説明を更新します。
   3. オプション: Tags フィールドで、Add Tag をクリックして、パイプラインインスタンスのカテゴリーを定義します。タグの名前を入力し、Enter キーを押します。

   4. データサイエンスパイプラインの認証情報を定義します。

      1. Data Science Pipelines API Endpoint フィールドで、データサイエンスパイプラインの API エンドポイントを更新します (該当する場合)。このフィールドにはパイプラインの namespace を指定しないでください。
      2. Public Data Science Pipelines API Endpoint フィールドで、データサイエンスパイプラインの API エンドポイントを更新します (該当する場合)。
      3. オプション: 該当する場合、Data Science Pipelines User Namespace フィールドで、パイプラインを実行するために関連するユーザー namespace を更新します。
      4. Data Science Pipelines engine リストから、Tekton を選択します。

      5. 該当する場合は、Authentication Type リストから、パイプラインの認証に必要な新しい認証タイプを選択します。

         重要

         ダッシュボードの Jupyter タイルから直接ノートブックを作成した場合は、Authentication Type リストから EXISTING_BEARER_TOKEN を選択します。

      6. Data Science Pipelines API Endpoint Username フィールドで、認証タイプに必要なユーザー名を更新します (該当する場合)。

      7. Data Science Pipelines API Endpoint Password Or Token で、認証タイプに必要なパスワードまたはトークンを更新します (該当する場合)。

         重要

         Data Science Pipelines API エンドポイントトークンを取得するには、OpenShift Web コンソールの右上隅にあるユーザー名をクリックし、Copy login command を選択します。ログインしたら、Display token をクリックし、Log in with this token コマンドから --token= の値をコピーします。

   5. S3 互換ストレージの接続情報を定義します。

      1. 該当する場合は、Cloud Object Storage Endpoint フィールドで、S3 互換ストレージのエンドポイントを更新します。Amazon s3 エンドポイントの詳細は、Amazon Simple Storage Service エンドポイントおよびクォータ を参照してください。
      2. オプション: Public Cloud Object Storage Endpoint フィールドで、S3 互換ストレージの URL を更新します (該当する場合)。
      3. 必要に応じて、Cloud Object Storage Bucket Name フィールドで、パイプラインアーティファクトが保存されているバケットの名前を更新します。バケット名が存在しない場合は、自動的に作成されます。
      4. 該当する場合は、Cloud Object Storage Authentication Type リストから、S3 互換クラウドストレージへのアクセスに必要な認証タイプを更新します。AWS S3 バケットを使用する場合は、リストから USER_CREDENTIALS を選択する必要があります。
      5. オプション: Cloud Object Storage Credentials Secret フィールドで、ストレージのユーザー名とパスワードを含むシークレットを更新します (該当する場合)。このシークレットは、関連するユーザー namespace で定義されます。パイプラインランタイムをホストするクラスターにシークレットを保存する必要があります。
      6. オプション: Cloud Object Storage Username フィールドで、S3 互換クラウドストレージに接続するためのユーザー名を更新します (該当する場合)。AWS S3 バケットを使用する場合は、AWS Secret Access Key ID を更新します。
      7. オプション: Cloud Object Storage Password フィールドで、S3 互換のクラウドストレージに接続するためのパスワードを更新します (該当する場合)。AWS S3 バケットを使用する場合は、AWS Secret Access Key を更新します。
   6. Save & Close をクリックします。

手順

1. JupyterLab の左側のサイドバーで、Runtimes ( ) をクリックします。

2. 削除するランタイム設定の上にカーソルを置き、Delete Item ボタン ( ) をクリックします。

   実行時設定の削除を確認するダイアログボックスが表示されます。

3. OK をクリックします。

手順

1. JupyterLab の左側のサイドバーで、Runtimes ( ) をクリックします。
2. 複製するランタイム設定の上にカーソルを置き、Duplicate ボタン ( ) をクリックします。

手順

1. Pipeline Editor ユーザーインターフェイスで Run Pipeline ( ) をクリックします。

   Run Pipeline ダイアログが表示されます。Pipeline Name フィールドには、パイプラインファイル名が自動的に入力されます。

   重要

   一意のパイプライン名を入力する必要があります。入力するパイプライン名は、以前に実行されたパイプラインの名前と一致してはなりません。

2. パイプライン実行の設定を定義します。

   1. Runtime Configuration リストから、パイプラインを実行するための関連するランタイム設定を選択します。
   2. オプション: 必要に応じて、パイプラインパラメーターを設定します。パイプラインにパイプラインパラメーターを参照するノードが含まれている場合は、デフォルトのパラメーター値を変更できます。パラメーターが必須でデフォルト値がない場合は、値を入力する必要があります。
3. OK をクリックします。

手順

1. Pipeline Editor ユーザーインターフェイスで、Export Pipeline ( ) をクリックします。

   Export Pipeline ダイアログが表示されます。Pipeline Name フィールドには、パイプラインファイル名が自動的に入力されます。

2. パイプラインをエクスポートするための設定を定義します。

   1. Runtime Configuration リストから、パイプラインをエクスポートする関連するランタイム設定を選択します。
   2. Export Pipeline as から適切なファイル形式を選択します。
   3. Export Filename フィールドに、エクスポートされたパイプラインのファイル名を入力します。
   4. Replace if file already exists チェックボックスをオンにして、エクスポートするパイプラインと同じ名前の既存のファイルを置換します。
   5. オプション: 必要に応じて、パイプラインパラメーターを設定します。パイプラインにパイプラインパラメーターを参照するノードが含まれている場合は、デフォルトのパラメーター値を変更できます。パラメーターが必須でデフォルト値がない場合は、値を入力する必要があります。
3. OK をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーを設定するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションで、Add server をクリックします。

   Add model server ダイアログが開きます。

4. Model sever name フィールドに、モデルサーバーの一意の名前を入力します。
5. Serving runtime リストから、OpenShift Data Science デプロイメントにインストールされ有効になっているモデル提供ランタイムを選択します。
6. Number of model replicas to deploy フィールドに値を指定します。

7. Model server size リストから、次のいずれかのサーバーサイズを選択します。

   • Small
   • Medium
   • Large
   • Custom

8. オプション: 前の手順で Custom を選択した場合は、Model server size セクションで次を設定して、モデルサーバーをカスタマイズします。

   1. CPUs requested フィールドで、モデルサーバーで使用する CPU の数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
   2. CPU limit フィールドに、モデルサーバーで使用する CPU の最大数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
   3. Memory requested フィールドに、モデルサーバーに要求されたメモリーをギビバイト (Gi) 単位で指定します。
   4. Memory limit フィールドに、モデルサーバーの最大メモリー制限をギビバイト (Gi) 単位で指定します。

9. オプション: Model server GPUs フィールドで、モデルサーバーで使用する GPU の数を指定します。

   重要

   OpenShift Data Science には、デフォルトで 2 つのバージョンの OpenVINO Model Server (OVMS) ランタイムが含まれています。GPU をサポートするバージョンとサポートしないバージョン。GPU を使用するには、Serving runtime リストから、表示名に Supports GPUs が含まれるバージョンを選択する必要があります。

   モデルサーバーで カスタム モデル提供ランタイムを使用している場合は、カスタムランタイムが GPU をサポートし、GPU を使用するように適切に設定されていることを確認する必要があります。

10. オプション: Model route セクションで、Make deployed models available through an external route チェックボックスをオンにして、デプロイされたモデルを外部クライアントが利用できるようにします。

11. オプション: Token authorization セクションで、Require token authentication チェックボックスをオンにして、モデルサーバーにトークン認証を要求します。トークン認証の設定を完了するには、次のアクションを実行します。

    1. Service account name フィールドに、トークンが生成されるサービスアカウント名を入力します。生成されたトークンは、モデルサーバーの設定時に作成され、Token secret フィールドに表示されます。
    2. 追加のサービスアカウントを追加するには、Add a service account をクリックし、別のサービスアカウント名を入力します。
12. Add をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Settings > Serving runtimes をクリックします。

   Serving runtimes ページが開き、OpenShift Data Science デプロイメントにすでにインストールされ有効になっているモデル提供ランタイムが表示されます。デフォルトでは、OpenVINO Model Server ランタイムがプリインストールされ、OpenShift Data Science で有効になっています。

2. 新しいカスタムランタイムを追加するには、Add serving runtime をクリックします。

   Add serving runtime ページが開きます。

3. 新しいランタイムの追加を開始するには、次の一連のアクションのいずれかを実行します。

   • YAML ファイルをアップロードするには

     1. Upload files をクリックします。

        ファイルブラウザーが開きます。

     2. ファイルブラウザーで、コンピューター上の YAML ファイルを選択します。このファイルは、kserve/modelmesh-serving リポジトリーからダウンロードしたサンプルランタイムの 1 つである可能性があります。

        埋め込み YAML エディターが開き、アップロードしたファイルの内容が表示されます。

   • エディターに YAML コードを直接入力するには

     1. Start from scratch をクリックします。

        埋め込み YAML エディターがコンテンツなしで開きます。

     2. 埋め込みエディターに YAML コードを直接入力または貼り付けます。貼り付ける YAML は、kserve/modelmesh-serving リポジトリー内のサンプルランタイムの 1 つからコピーされる場合があります。

4. オプション: kserve/modelmesh-serving リポジトリーにサンプルランタイムの 1 つを追加する場合は、次の変更を実行します。

   1. YAML エディターで、ランタイムの kind フィールドを見つけます。このフィールドの値を ServingRuntime に更新します。

   2. YAML エディターで、ランタイムの containers.image フィールドを見つけます。追加するランタイムに基づいて、フィールドを次のいずれかに更新します。

      Nvidia Triton Inference Server

      image: nvcr.io/nvidia/tritonserver:21.06.1-py3

      Seldon Python MLServer

      image: seldonio/mlserver:0.5.2

      TorchServe

      image: pytorch/torchserve:0.6.0-cpu

5. metadata.name フィールドで、追加するランタイムの値が一意であることを確認します (つまり、値がすでに追加したランタイムの値と同じではありません)。

6. オプション: 追加するランタイムのカスタム表示名を設定するには、次の例に示すように、metadata.annotations.openshift.io/display-name フィールドを追加し、値を指定します。

   apiVersion: serving.kserve.io/v1alpha1
   kind: ServingRuntime
   metadata:
     name: mlserver-0.x
     annotations:
       openshift.io/display-name: MLServer

   注記

   ランタイムのカスタム表示名を設定しないと、OpenShift Data Science には metadata.name フィールドの値が表示されます。

7. Add をクリックします。

   Serving runtimes ページが開き、インストールされているランタイムの更新されたリストが表示されます。追加したランタイムが自動的に有効になることを確認します。

8. オプション: カスタムランタイムを編集するには、アクションメニュー (⋮) をクリックし、Edit を選択します。

   注記

   デフォルトで OpenShift Data Science に含まれる OpenVINO Model Server ランタイムを直接編集できません。ただし、このランタイムを 複製 し、複製したバージョンの編集は可能です。その後、編集したクローンを新しいカスタムランタイムとして追加できます。これを行うには、OpenVINO Model Server の横にあるアクションメニューをクリックし、Clone を選択します。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーの詳細を更新するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションで、更新するモデルサーバーを見つけます。アクションメニュー (⋮) をクリックし、Edit model server を選択します。

   Configure model server ダイアログが開きます。

4. 次のように、モデルサーバーのプロパティーを更新します。

   注記

   すでに設定されているモデルサーバーの 提供ランタイム の選択を変更できません。これにより、すでにデプロイされたモデルをサポートしないランタイムへの変更が防止されます。

   1. Model server name フィールドに、モデルサーバーの新しい一意の名前を入力します。
   2. Number of model replicas to deploy フィールドに値を指定します。

   3. Model server size リストから、次のいずれかのサーバーサイズを選択します。

      • Small
      • Medium
      • Large
      • Custom

   4. オプション: 前の手順で Custom を選択した場合は、Model server size セクションで次を設定して、モデルサーバーをカスタマイズします。

      1. CPUs requested フィールドで、モデルサーバーで使用する CPU の数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
      2. CPU limit フィールドに、モデルサーバーで使用する CPU の最大数を指定します。このフィールドの横にあるリストを使用して、値をコアまたはミリコアで指定します。
      3. Memory requested フィールドに、モデルサーバーに要求されたメモリーをギビバイト (Gi) 単位で指定します。
      4. Memory limit フィールドに、モデルサーバーの最大メモリー制限をギビバイト (Gi) 単位で指定します。

   5. オプション: Model server GPUs フィールドで、モデルサーバーで使用する GPU の数を指定します。

      重要

      OpenShift Data Science には、デフォルトで 2 つのバージョンの OpenVINO Model Server (OVMS) ランタイムが含まれています。GPU をサポートするバージョンとサポートしないバージョン。GPU を使用するには、Serving runtime リストから、表示名に Supports GPUs が含まれるバージョンを選択する必要があります。

      モデルサーバーで カスタム モデル提供ランタイムを使用している場合は、カスタムランタイムが GPU をサポートし、GPU を使用するように適切に設定されていることを確認する必要があります。

   6. オプション: Model route セクションで、Make deployed models available through an external route チェックボックスをオンにして、デプロイされたモデルを外部クライアントが利用できるようにします。

   7. オプション: Token authorization セクションで、Require token authentication チェックボックスをオンにして、モデルサーバーにトークン認証を要求します。トークン認証の設定を完了するには、次のアクションを実行します。

      1. Service account name フィールドに、トークンが生成されるサービスアカウント名を入力します。生成されたトークンは、モデルサーバーの設定時に作成され、Token secret フィールドに表示されます。
      2. 追加のサービスアカウントを追加するには、Add a service account をクリックし、別のサービスアカウント名を入力します。
5. Configure をクリックします。

手順

1. OpenShift Data Science ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. モデルサーバーを削除するプロジェクトの名前をクリックします。

   プロジェクトの詳細ページが開きます。

3. Models and model servers セクションでモデルサーバーを削除するプロジェクトの横にあるアクションメニュー (⋮) をクリックし、Delete model server をクリックします。

   Delete model server ダイアログが開きます。

4. テキストフィールドにモデルサーバーの名前を入力して、削除することを確認します。
5. Delete model server をクリックします。

手順

1. {product-short} ダッシュボードから、Data Science Projects をクリックします。

   Data science projects のページが開きます。

2. デプロイするモデルが含まれるプロジェクトの名前をクリックします。

   プロジェクトの詳細が開きます。

3. Models and model servers セクションで、モデルサーバーの名前の横にある Deploy model をクリックします。

   Deploy model ダイアログが開きます。

4. モデルをデプロイするためのプロパティーを次のように設定します。

   1. Model Name フィールドに、デプロイするモデルの一意の名前を入力します。

   2. Model framework リストから、モデルのフレームワークを選択します。

      注記

      Model framework リストには、モデルサーバーの設定時に指定したモデル提供ランタイムによってサポートされるフレームワークのみが表示されます。

   3. モデルの場所を指定するには、次の一連のアクションのいずれかを実行します。

      • 既存のデータ接続を使用するには

        1. Existing data connection を選択します。
        2. Name リストから、以前に定義したデータ接続を選択します。
        3. Folder path フィールドに、指定したデータソース内のモデルを含むフォルダーパスを入力します。

      • 新しいデータ接続を使用するには

        1. モデルがアクセスできる新しいデータ接続を定義するには、New data connection を選択します。
        2. Name フィールドに、データ接続の一意の名前を入力します。
        3. AWS_ACCESS_KEY_ID フィールドに、Amazon Web Services (AWS) のアクセスキー ID を入力します。
        4. AWS_SECRET_ACCESS_KEY フィールドで指定した AWS アカウントのシークレットアクセスキーを入力します。
        5. AWS_S3_ENDPOINT フィールドに AWS S3 ストレージのエンドポイントを入力します。
        6. AWS_DEFAULT_REGION フィールドに、AWS アカウントのデフォルトリージョンを入力します。
        7. AWS_S3_BUCKET フィールドに AWS S3 バケットの名前を入力します。
        8. Folder path フィールドに、データファイルが含まれる AWS S3 バケット内のフォルダーパスを入力します。
   4. Deploy をクリックします。

手順

1. OpenShift Data Science ダッシュボードで、Model Serving をクリックします。

   Model Serving ページが開きます。

2. デプロイされたモデルのリストを確認します。

   推論エンドポイントは、Deployed models テーブルの Inference endpoint 列に表示されます。

3. オプション: 関連する行で Copy ボタン ( )をクリックし、モデルの推論エンドポイントをクリップボードにコピーします。

手順

1. OpenShift Data Science ダッシュボードで、Model serving をクリックします。

   Model Serving ページが開きます。

2. 更新するデプロイメントプロパティーを持つモデルの横にあるアクションメニュー (⋮) をクリックし、Edit をクリックします。

   Deploy model ダイアログが開きます。

3. 次のようにモデルのデプロイメントプロパティーを更新します。

   1. Model Name フィールドに、モデルの一意の名前を新たに入力します。

   2. Model framework リストから、モデルのフレームワークを選択します。

      注記

      Model framework リストには、モデルサーバーの設定時に指定したモデル提供ランタイムによってサポートされるフレームワークのみが表示されます。

   3. モデルの場所の指定方法を更新するには、次の一連のアクションのいずれかを実行します。

      • 既存のデータ接続を指定した場合

        1. Folder path フィールドに、指定したデータソース内のモデルを含むフォルダーパスを更新します。

      • 以前に新しいデータ接続を指定した場合

        1. Name フィールドで、データ接続の名前を更新します。
        2. AWS_ACCESS_KEY_ID フィールドで Amazon Web Services (AWS) のアクセスキー ID を更新します。
        3. AWS_SECRET_ACCESS_KEY フィールドで指定した AWS アカウントのシークレットアクセスキーを更新します。
        4. AWS_S3_ENDPOINT フィールドで AWS S3 ストレージのエンドポイントを更新します。
        5. AWS_DEFAULT_REGION フィールドで AWS アカウントのデフォルトリージョンを更新します。
        6. AWS_S3_BUCKET フィールドで AWS S3 バケットの名前を更新します。
        7. Folder path フィールドに、データファイルが含まれる AWS S3 バケット内のフォルダーパスを更新します。
   4. Configure をクリックします。

手順

1. OpenShift Data Science ダッシュボードで、Model serving をクリックします。

   Model Serving ページが開きます。

2. 削除するデプロイモデルの横にあるアクションメニュー (⋮) をクリックし、Delete をクリックします。

   Delete deployed model ダイアログが開きます。

3. テキストフィールドにデプロイしたモデルの名前を入力し、削除することを確認します。
4. Delete deployed model をクリックします。