機械学習の決定者

オートスケーリング機械学習の決定者(ml)は、機械学習ジョブと訓練済みモデルを実行するためのメモリとCPUの要件を計算します。

機械学習の決定者は、mlノードを管理するポリシーに対して有効です。

クラスターが適切にスケーリングされていないときに機械学習ジョブを開くためには、xpack.ml.max_lazy_ml_nodesを可能な最大の機械学習ノード数に設定します（詳細については高度な機械学習設定を参照してください）。Elasticsearch Serviceでは、これが自動的に設定されます。

設定

  2. -   `````num_anomaly_jobs_in_queue
  • （オプション、整数）許可するキューに入った異常検出ジョブの数を指定します。デフォルトは0です。
  • num_analytics_jobs_in_queue
  • （オプション、整数）許可するキューに入ったデータフレーム分析ジョブの数を指定します。デフォルトは0です。
  • down_scale_delay
  • （オプション、時間値）スケールダウン前の遅延時間を指定します。デフォルトは1時間です。ウィンドウ全体でスケールダウンが可能な場合、スケールダウンが要求されます。ウィンドウ中にクラスターがスケールアップを必要とする場合、ウィンドウはリセットされます。

例

この例では、機械学習の決定者のデフォルト設定をオーバーライドするmy_autoscaling_policyという名前のオートスケーリングポリシーを作成します。

Python

  1. resp = client.autoscaling.put_autoscaling_policy(
  2.    name="my_autoscaling_policy",
  3.    policy={
  4.    "roles": [
  5.    "ml"
  6.    ],
  7.    "deciders": {
  8.    "ml": {
  9.    "num_anomaly_jobs_in_queue": 5,
  10.    "num_analytics_jobs_in_queue": 3,
  11.    "down_scale_delay": "30m"
  12.    }
  13.    }
  14.    },
  15. )
  16. print(resp)

Js

  1. const response = await client.autoscaling.putAutoscalingPolicy({
  2.   name: "my_autoscaling_policy",
  3.   policy: {
  4.    roles: ["ml"],
  5.    deciders: {
  6.    ml: {
  7.    num_anomaly_jobs_in_queue: 5,
  8.    num_analytics_jobs_in_queue: 3,
  9.    down_scale_delay: "30m",
  10.    },
  11.    },
  12.   },
  13. });
  14. console.log(response);

コンソール

  1. PUT /_autoscaling/policy/my_autoscaling_policy
  2. {
  3.   "roles" : [ "ml" ],
  4.   "deciders": {
  5.    "ml": {
  6.    "num_anomaly_jobs_in_queue": 5,
  7.    "num_analytics_jobs_in_queue": 3,
  8.    "down_scale_delay": "30m"
  9.    }
  10.   }
  11. }

APIは次の結果を返します:

コンソール-結果

  1. {
  2.   "acknowledged": true
  3. }