Laufzeit für die Verwendung von Machine Learning mit Operational Decision Manager konfigurieren

Sie müssen einen externen Liberty-Server mit Machine Learning für z/OS und Operational Decision Manager konfigurieren, um die beiden Produkte zusammen verwenden zu können.

1. Führen Sie die folgenden Schritte aus, um sicherzustellen, dass Sie eine funktionierende Liberty-Umgebung mit WOLA haben:
   1. Übergeben Sie HBRDPLOY in der Liberty-Arbeitsdatei *.WLP.SHBRJCL(HBRDPLOY), um die RuleApp für das miniloan-Beispiel zu implementieren.
   2. Übergeben Sie HBRMINW in der Liberty-Arbeitsdatei *.WLP.SHBRJCL(HBRMINW), um die Beispiel-RuleApp auszuführen.
   3. Vergewissern Sie sich, dass die Ausgabe des Beispiels korrekt ist.
2. Bearbeiten Sie die Dateien db2Type2.xml und db2Type4.xml von Liberty Profile Server. Ändern Sie in beiden Dateien <feature>jdbc-4.0</feature> in <feature>jdbc-4.1</feature>.
3. Gehen Sie gemäß der Beschreibung in der Dokumentation zu Machine Learning für z/OS vor, um MLz in einem Liberty-Server zu installieren, in dem bereits Operational Decision Manager installiert wurde.
   Lesen Sie dazu Configuring machine learning scoring services on z/OS.

   Tipp: Verwenden Sie Option 3, um den Scoring-Service von Machine Learning in einen externen WLP-Server zu integrieren. So wird eine Installation in Ihrem Liberty-Server durchgeführt, bei der die ODM-Anwendung erhalten bleibt.
4. Wenn Ihre Liberty-XML-Konfigurationsdateien Definitionen für Ihre HTTP-Serverports (und optional HTTPS-Serverports) enthalten, entfernen Sie diese Zeilen.
   Der Konfigurationsprozess für Machine Learning für z/OS fügt Porteinstellungen zur Liberty-Datei server.xml hinzu.

   <httpEndpoint httpsPort="-1" httpPort="-1" id="defaultHttpEndpoint"/>
   <httpEndpoint httpsPort="-1" httpPort="-1" sslOptionsRef="MLzScoringSSLOptions" host="*" id="MLZAdminHttpEndpoint"/>
   <httpEndpoint httpsPort="-1" httpPort="24018" sslOptionsRef="MLzScoringSSLOptions" host="*" id="MLZHttpEndpoint"/>

5. Wenn die Anwendung für die Rule-Execution-Server-Konsole in Ihrer Umgebung vom Liberty-Server bereitgestellt werden muss, um sie beispielsweise zusammen mit dem Decision Runner zu verwenden, ist eine Konfigurationsänderung erforderlich. Diese Änderung wird vorgenommen, damit angepasste Features anstelle der Standardfeatures in der Konfiguration von Machine Learning für z/OS verwendet werden.
   1. Entfernen Sie aus Ihrer Datei server.xml die Zeile <feature>webProfile-7.0</feature>.
   2. Fügen Sie in der Datei server.xml nach der Zeile </featureManager> die folgende Zeile am Anfang der include-Listen ein: <include location="MlzContent.xml" />
6. Starten Sie Ihren Liberty-Server neu und warten Sie, bis Machine Learning für z/OS gestartet wird.
   Dies kann bis zu 30 Minuten dauern.
7. Verbinden Sie Ihre MLz-Installation mit dem Verwaltungsdashboard und installieren Sie das Churn-Beispiel:
   1. Definieren Sie Ihren Liberty-Server für das Administrationsdashboard von Machine Learning für z/OS als Scoring-Service.
   2. Erstellen Sie eine Implementierung des Churn-Beispiels. Dadurch wird dieses Modell an den Scoring-Service Ihres Liberty-Servers gesendet.
8. Testen Sie Ihr Modell im Verwaltungsdashboard von Machine Learning für z/OS, indem Sie im Menü AKTIONEN Test-API für die Implementierung auswählen.
9. Stellen Sie durch erneute Übergabe von HBRMINW sicher, dass Operational Decision Manager weiterhin funktioniert.