Acelere seus insights de negócios em escala com a IA transacional no IBM® z/OS
Plataforma de IA transacional
O Machine Learning for IBM z/OS (MLz) é uma plataforma de IA transacional executada nativamente no IBM z/OS. Ele fornece uma interface de usuário (IU) da web, várias interfaces de programação de aplicativos (APIs) e um dashboard de administração da web. O dashboard vem com um poderoso pacote de ferramentas fáceis de usar para desenvolvimento e implementação de modelos, gerenciamento de usuários e administração de sistemas.
Use com IBM z17™ e IBM Telum II para oferecer recursos de IA transacional. Processe até 282 mil transações de cartão de crédito z/OS CICS por segundo com tempo de resposta de 4 ms, em que cada uma conta com uma operação de inferência de detecção de fraude na transação que usa um modelo de deep learning .1
Faça colocation de aplicações com solicitações de inferência para ajudar a minimizar atrasos causados pela latência da rede. Essa opção reduz o tempo de resposta em até 20 vezes e aumenta a taxa de transferência em até 19 vezes em comparação com um servidor em nuvem x86 com latência de rede de média 60 ms.2
Use recursos de IA confiáveis como explicabilidade, enquanto monitora desvios em seus modelos em tempo real. Desenvolva e implemente seus modelos de IA transacionais no z/OS para transações e cargas de trabalho de missão crítica com confiança.
Importe, implemente e monitore facilmente os modelos para gerar valor em cada transação e trazer melhores resultados para sua empresa, mantendo os contratos de nível de serviço (SLAs) operacionais.
Recursos
A nova edição aprimorada do ML for IBM z/OS oferece melhor desempenho de pontuação, oferece uma nova versão dos tempos de execução de aprendizado de máquina Spark e Python e inclui uma ferramenta de configuração guiada por GUI e muito mais.
- Inferência em tempo real: pontuação na transação por meio da interface nativa CICS e WOLA para aplicações CICS, IMS e BATCH COBOL e interface RESTful
- Compatível com vários mecanismos: SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- Gerenciamento do ciclo de vida do modelo: IU guiada, serviços RESTful
- Telum II: modelos ONNX e IBM SnapML
- IA confiável: explicabilidade e monitoramento de desvios
Um ambiente compartilhado do JupyterHub permite que vários cientistas de dados criem e treinem modelos juntos na plataforma z/OS, melhorando a colaboração e a produtividade.
Monitoramento aprimorado e visualizações mais claras para resultados de explicabilidade ajudam a garantir que os modelos permaneçam abertos, confiáveis e fáceis de interpretar durante o uso em produção.
O MLz é compatível com pontuação de classificação multiclasse de alto desempenho usando o acelerador de IA on-chip em sistemas IBM z Systems por meio do Snap ML, melhorando a velocidade e a eficiência de inferência de modelos.
O MLz fornece uma plataforma segura de nível empresarial para desenvolvimento, implementação e gerenciamento de modelos com IU da web, APIs e integração com toolkits Spark e Python.
Detalhes técnicos
O Machine Learning for IBM z/OS usa tecnologias proprietárias e de código aberto da IBM e implica pré-requisitos de hardware e software.
- z17, z16 ou z15
- z/OS 3.2, 3.1 ou 2.5
- IBM 64-bit SDK for z/OS Java Technology Edition versão 8, 11 ou 17
- IBM WebSphere Application Server for z/OS Liberty versão 22.0.0.9 ou posterior
- Db2 13 for z/OS ou posterior somente se você escolher o Db2 for z/OS como o banco de dados de metadados do repositório
Produtos relacionados
Identifique problemas operacionais e evite incidentes dispendiosos detectando anomalias nos dados logísticos e métricos.
Acesse uma biblioteca de software de código aberto relevante para dar suporte às cargas de trabalho atuais de IA e ML.
Obtenha análise de dados em alta velocidade para insights em tempo real sob o controle e segurança do IBM Z.
Saiba como a IA aprimora a usabilidade, melhora o desempenho operacional e mantém a integridade dos sistemas IBM® Db2.
Notas de rodapé
1 ISENÇÃO DE RESPONSABILIDADE: o resultado do desempenho é extrapolado de testes internos da IBM realizados em uma LPAR IBM z17 configurada com 6 CPs e 256 GB de memória, executando o z/OS 3.1. Os testes usaram uma carga de trabalho de transação de cartão de crédito CICS OLTP com uma baixa intensidade relativa de aninhamento combinada com operações de inferência baseadas em um modelo sintético de detecção de fraude de cartão de crédito (disponível em https://github.com/IBM/ai-on-z-fraud-detection), que aproveita o Integrated Accelerator for AI. O benchmark foi realizado usando 32 threads executando operações de inferência simultaneamente. A inferência foi realizada usando aprendizado de máquina para o IBM z/OS (v3.2.0) hospedado em um Server Liberty (v22.0.0.3). Além disso, o envio em lote do lado do servidor foi ativado no Machine Learning for z/OS com um tamanho de lote de oito operações de inferência. Os resultados podem variar.
2 ISENÇÃO DE RESPONSABILIDADE: os resultados de desempenho são baseados em uma carga de trabalho de cartão de crédito CICS OLTP interna da IBM com detecção de fraude na transação em execução no IBM z16. As medições foram feitas com e sem o Integrated Accelerator for AI. Foi usada uma LPAR do z/OS V2R4 configurada com 12 CPs, 24 zIIPs e 256 GB de memória. A inferência foi realizada com o Machine Learning for z/OS 2.4 em execução no WebSphere Application Server Liberty 21.0.0.12, utilizando um modelo sintético de detecção de fraude em cartões de crédito (https://github.com/IBM/ai-on-z-fraud-detection). O processamento em lote do lado do servidor foi habilitado no Machine Learning for z/OS com um tamanho de oito operações de inferência. Os resultados podem variar.