Beschleunigen Sie Ihre Geschäftserkenntnisse in großem Maßstab mit transaktionaler KI auf IBM z/OS
Transaktionale KI-Plattform
Maschinelles Lernen für IBM z/OS® (MLz) ist eine transaktionale KI-Plattform, die nativ auf IBM z/OS läuft. Es bietet eine Web-Benutzeroberfläche (UI), verschiedene Anwendungsprogrammierschnittstellen (APIs) und ein Web-Administrations-Dashboard. Das Dashboard enthält eine leistungsstarke Suite benutzerfreundlicher Tools für die Modellentwicklung und -bereitstellung, Benutzerverwaltung und Systemadministration.
Verwenden Sie IBM z17™ und IBM Telum® II, um transaktionale KI-Funktionen bereitzustellen. Verarbeiten Sie bis zu 282.000 z/OS CICS-Kreditkartentransaktionen pro Sekunde mit einer Reaktionszeit von 4 ms, jeweils mit einer Betrugserkennungs-Inferenzoperation während der Transaktion mithilfe eines Deep-Learning-Modells.1
Ordnen Sie Anwendungen gemeinsam mit Inferenzanforderungen an, um durch Netzwerklatenz verursachte Verzögerungen zu minimieren. Diese Option verkürzt die Reaktionszeit um bis zu 20x und steigert den Durchsatz um bis zu 19x im Vergleich zu einem x86-Cloud-Server mit einer durchschnittlichen Netzwerklatenz von 60 ms.²
Verwenden Sie vertrauenswürdige KI-Funktionen wie Erklärbarkeit, während Sie Ihre Modelle in Echtzeit auf Abweichungen überwachen. Entwickeln und stellen Sie Ihre transaktionalen KI-Modelle souverän auf z/OS bereit – für geschäftskritische Transaktionen und Workloads.
Sie können Modelle einfach importieren, bereitstellen und überwachen, um aus jeder Transaktion einen Mehrwert zu erzielen und neue Ergebnisse für Ihr Unternehmen zu generieren, während gleichzeitig die betrieblichen SLAs eingehalten werden.
Funktionen
Die neue, verbesserte ML-Edition für IBM z/OS bietet eine verbesserte Leistung, bietet eine neue Version von Spark und Python sowie ein maschinelles Lernen mit Laufzeit und beinhaltet ein GUI-geführtes Konfigurationstool und mehr.
- Echtzeit-Inferenz: In-Transaction-Scoring über native CICS- und WOLA-Schnittstelle für CICS-, IMS- und BATCH COBOL-Anwendungen sowie RESTful-Schnittstelle
- Verschiedene Engines werden unterstützt: SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- Modelllebenszyklusmanagement: Geführte Benutzeroberfläche, RESTful-Services
- Telum II: ONNX- und IBM SnapML-Modelle
- Vertrauenswürdige KI: Erklärbarkeit und Driftüberwachung
Eine gemeinsame JupyterHub-Umgebung ermöglicht es mehreren Data Scientists, gemeinsam Modelle auf der z/OS-Plattform zu erstellen und zu trainieren, was die Zusammenarbeit und Produktivität verbessert.
Verbesserte Überwachung und klarere Visualisierungen für die Erklärbarkeit der Ergebnisse tragen dazu bei, dass die Modelle im Produktionseinsatz offen, zuverlässig und leicht zu interpretieren bleiben.
MLz unterstützt durch Snap ML die Bewertung von Mehrklassenklassifizierungen mit hoher Leistungsfähigkeit mithilfe des On-Chip-KI-Beschleunigers in IBM z Systems, wodurch die Geschwindigkeit und Effizienz der Modellinferenz verbessert werden.
MLz bietet eine sichere, Unternehmensklasse-Plattform für Modellentwicklung, Bereitstellung und -verwaltung mit Benutzeroberfläche, APIs und Integration mit Spark- und Python-Toolkit.
Technische Details
Machine Learning für z/OS nutzt sowohl proprietäre als auch Open-Source-Technologien von IBM und setzt erforderliche Hardware und Software voraus.
- z17, z16 oder z15
- z/OS 3.2, 3.1 oder 2.5
- IBM 64-bit SDK for z/OS Java Technology Edition Version 8, 11 oder 17
- IBM WebSphere Application Server for z/OS Liberty Version 22.0.0.9 oder höher
- Db2 13 for z/OS oder höher nur, wenn Sie Db2 for z/OS als Repository-Metadaten-Datenbank wählen
Weiterführende Produkte
Identifizieren Sie Betriebsprobleme und vermeiden Sie kostspielige Vorfälle, indem Sie Unregelmäßigkeiten sowohl in Protokoll- als auch in Metrik-Daten erkennen.
Nutzen Sie eine Bibliothek mit relevanter Open-Source-Software zur Unterstützung moderner KI- und ML-Workloads.
Erhalten Sie Hochgeschwindigkeits-Datenanalysen für Erkenntnisse in Echtzeit unter der Kontrolle und Sicherheit von IBM Z.
Erfahren Sie, wie KI die Benutzerfreundlichkeit verbessert, die Betriebsleistung optimiert und den Zustand von IBM Db2 Systemen aufrechterhält.
Fußnoten
1 HAFTUNGSAUSSCHLUSS: Die Leistungsergebnisse wurden aus internen IBM Tests extrapoliert, die auf einem IBM z17 LPAR mit 6 CP und 256 GB Arbeitsspeicher unter z/OS 3.1 durchgeführt wurden. Die Tests verwendeten eine CICS OLTP-Kreditkartentransaktions-Workload mit einer geringen relativen Nest-Intensität in Kombination mit Inferenzoperationen auf Basis eines synthetischen Kreditkartenbetrugserkennungsmodells (verfügbar unter https://github.com/IBM/ai-on-z-fraud-detection), das den Integrated Accelerator for AI nutzt. Der Benchmark wurde mit 32 Threads durchgeführt, die gleichzeitig Inferenzoperationen ausführten. Die Inferenz wurde mit Machine Learning for IBM z/OS (v3.2.0) durchgeführt, das auf einem Liberty-Server (v22.0.0.3) gehostet wird. Darüber hinaus wurde das serverseitige Batching für Machine Learning für z/OS mit einer Batchgröße von 8 Inferenzoperationen aktiviert. Die Ergebnisse können abweichen.
2 HAFTUNGSAUSSCHLUSS: Die Leistungsergebnisse wurden aus internen Tests von IBM hochgerechnet, bei denen eine CICS-OLTP-Kreditkartentransaktions-Workload mit Inferenzoperationen auf einem IBM z16 ausgeführt wurde. Die Messungen wurden mit und ohne den integrierten Beschleuniger für KI durchgeführt. Es wurde eine z/OS V2R4 LPAR mit 12 CP, 24 zIIPs und 256 GB Arbeitsspeicher verwendet. Die Inferenz wurde mit Machine Learning for z/OS 2.4 auf einem WebSphere Application Server Liberty 21.0.0.12 unter Verwendung eines synthetischen Kreditkarten-Betrugserkennungsmodells (https://github.com/IBM/ai-on-z-fraud-detection). Serverseitiges Batching wurde auf Machine Learning for z/OS mit einer Größe von 8 Inferenzoperationen aktiviert. Die Ergebnisse können variieren.