Machine Learning for IBM® z/OS (MLz) ist eine transaktionale KI-Plattform, die nativ auf IBM z/OS läuft. Sie bietet eine Web-Benutzeroberfläche (UI), verschiedene APIs und ein webbasiertes Administrations-Dashboard mit einer leistungsstarken Suite benutzerfreundlicher Tools für die Modellentwicklung und -bereitstellung, das Benutzermanagement und die Systemverwaltung.
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.
Für mehr Flexibilität umfasst Machine Learning for z/OS zwei Editionen:
Alle Editionen von IBM Machine Learning for IBM z/OS können als eigenständige Lösung betrieben oder als skalierbare Plattform in Ihre betriebliche KI-Kapazität integriert werden.
Nehmen Sie an unserem exklusiven Webinar teil und entdecken Sie innovative Funktionen und praktische Anwendungen.
Nutzen Sie die beispiellose Leistung von IBM z16 und Telum AIU mit der Softwarelösung „Machine Learning for z/OS“, um transaktionale KI-Funktionen bereitzustellen. Verarbeiten Sie bis zu 228.000 z/OS-CICS-Kreditkartentransaktionen pro Sekunde mit einer Antwortzeit von 6 ms. Dabei wird für jede Transaktion eine Inferenzoperation zur Betrugserkennung durchgeführt, die ein Deep-Learning-Modell verwendet.1
Ordnen Sie Anwendungen gemeinsam mit Inferenzanforderungen an, um durch Netzwerklatenz verursachte Verzögerungen zu minimieren. Dies führt zu einer bis zu 20-mal kürzeren Antwortzeit und einem bis zu 19-mal höheren Durchsatz im Vergleich zum Senden derselben Inferenzanforderungen an einen vergleichbaren x86-Cloud-Server mit einer durchschnittlichen Netzwerklatenz von 60 ms.2
Verwenden Sie Funktionen der vertrauenswürdigen KI wie Erklärbarkeit und überwachen Sie Ihre Modelle in Echtzeit auf Abweichungen, um Ihre transaktionalen KI-Modelle auf z/OS für geschäftskritische Transaktionen und Workloads zu entwickeln und bereitzustellen.
Eine erweiterte Edition mit verbesserter Scoring-Leistung, einer neuen Version der Spark- und Python-Laufzeiten für maschinelles Lernen und einem GUI-geführten Konfigurationstool und mehr.
Eine leichtgewichtige Version von WMLz, die die wesentlichen Services auf Basis einer REST-API für maschinelle Lernvorgänge einschließlich Online-Scoring-Funktionen auf IBM Z bereitstellt.
Konfigurationserfahrung
Geführte Benutzeroberfläche
Skripte, z/OSMF-Workflow
Repository-Datenbank
Db2 for IBM z/OS, integriert (Derby für z/OS)
Db2 for IBM z/OS, integriert (Derby for z/OS)
Scoring-Engine
Spark, Python, PMML, IBM Snap ML, Watson Core Time Series
Spark, PMML, IBM Snap ML, Watson Core Time Series
Inferenzschnittstelle
In-Transaction-Scoring mit nativen Schnittstellen für CICS und IMS, RESTful-Schnittstelle
RESTful-Schnittstelle
Modell-Lebenszyklusmanagement
Geführte Benutzeroberfläche, RESTful-Dienste
RESTful-Dienste
Unterstützte KI-Modellformate
Spark, Python, PMML, ONNX
Spark, PMML
z16 im Chip integrierte KI-Beschleunigung
ONNX- und IBM Snap ML-Modelle
IBM Snap ML-Modelle
Trainingstool für KI-Modelle
Integrierter JupyterHub
Vertrauenswürdige KI
Erklärbarkeit und Drifterkennung
*Preise sind indikativ, können je nach Land variieren, enthalten keine anfallenden Steuern und Abgaben und unterliegen der Verfügbarkeit des Produktangebots vor Ort.
Testen Sie diese leichte, kostenlose Option, um IBM Machine Learning for z/OS zu erleben, das ein In-Transaction-Scoring für Deep-Learning-Modelle ermöglicht. Diese Fähigkeit kann in kritischen Geschäftsbereichen wie Betrugserkennung, Kundenabwanderung, Kreditgenehmigung und Betriebsleistung einen erheblichen Mehrwert für die KI bieten. Integrieren Sie Deep-Learning-Modelle in Ihre Transaktionsanwendungen auf IBM Z, insbesondere wenn es auf Millisekunden ankommt.
Machine Learning für z/OS nutzt sowohl proprietäre als auch Open-Source-Technologien von IBM und setzt erforderliche Hardware und Software voraus.
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.
Nutzen Sie ein sicheres und skalierbares Betriebssystem für geschäftskritische Anwendungen.
Optimieren Sie Verfügbarkeit, Sicherheit und Ausfallsicherheit und verbessern Sie gleichzeitig Leistung und Geschäftsergebnisse.
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.
1 HAFTUNGSAUSSCHLUSS: Die Leistungsergebnisse wurden aus internen Tests von IBM hochgerechnet, bei denen eine CICS-Kreditkartentransaktions-Workload mit Inferenzoperationen auf einem IBM z16 ausgeführt wurde. Es wurde eine z/OS V2R4 LPAR mit 6 CPs und 256 GB Speicher 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). und dem integrierten Beschleuniger für KI ausgeführt. Serverseitiges Batching wurde auf Machine Learning for z/OS mit einer Größe von 8 Inferenzoperationen aktiviert. Die Benchmark wurde mit 48 Threads ausgeführt, die Inferenzoperationen ausführten. Die Ergebnisse beziehen sich auf einen vollständig konfigurierten IBM z16 mit 200 CPs und 40 TB Speicher. Ergebnisse können variieren.
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 CPs, 24 zIIPs und 256 GB Speicher 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. Ergebnisse können variieren.