Detalhes de faturamento das ferramentas do watsonx.ai Studio
Saiba como o uso da computação é medido usando as horas de unidade de capacidade (CUH) consumidas por um tempo de execução de ambiente ativo no watsonx.ai Studio.
Para obter informações sobre como monitorar o uso de recursos da sua conta, consulte Monitorando o uso de computação.
IBM watsonx.ai Os planos de estúdio determinam como você é cobrado mensalmente pelos recursos que consome.
| Recurso | Lite | Profissional | Standard (legado) | Enterprise (legado) |
|---|---|---|---|---|
| Uso de processamento | 10 CUH por mês |
CUH ilimitado faturado para uso por mês |
10 CUH por mês ' + pagar por mais |
5000 CUH por mês + pague por mais |
Consumo de CUH para notebooks
| Tipo de capacidade | Idioma | Horas de unidade de capacidade |
|---|---|---|
| 1 vCPU e 4 GB de RAM | Python R |
0.5 |
| 2 vCPU e 8 GB de RAM | Python R |
1 |
| 4 vCPU e 16 GB de RAM | Python R |
2 |
| 8 vCPU e 32 GB de RAM | Python R |
4 |
| 16 vCPU e 64 GB de RAM | Python R |
8 |
| Driver: uma vCPU e 4 GB de RAM; 1 Executor: uma vCPU e 4 GB de RAM | Spark com Python ' Spark com R |
1 CUH por executor adicional é 0,5 |
| Driver: uma vCPU e 4 GB de RAM; 1 Executor: 2 vCPU e 8 GB de RAM | Spark com Python ' Spark com R |
1,5 CUH por executor adicional é 1 |
| Driver: duas vCPUs e 8 GB de RAM; 1 Executor: uma vCPU e 4 GB de RAM; | Spark com Python ' Spark com R |
1,5 CUH por executor adicional é 0,5 |
| Driver: duas vCPUs e 8 GB de RAM; 1 Executor: duas vCPUs e 8 GB de RAM; | Spark com Python ' Spark com R |
2 CUH por executor adicional é 1 |
| Driver: 3 vCPU e 12 GB de RAM; 1 executor: 3 vCPU e 12 GB de RAM; | Spark com Python ' Spark com R |
2 CUH por executor adicional é 1 |
A taxa de horas de unidade de capacidade consumidas é determinada para:
Configure os ambientes padrão Python ou R com base no tamanho do hardware e no número de usuários de um projeto que utilize um ou mais ambientes de execução.
Fórmula:
Hours/day × Days × Number of users × CUH rate = Total CUH Total CUH × Service rate = Total chargeVariáveis utilizadas no cálculo Variável Descrição Horas/dia Número de horas por dia em que cada usuário executa ativamente um ambiente de execução de notebook dias Número de dias no período de faturamento Número de usuários Número de usuários com ambientes de execução ativos no projeto Taxa CUH CUH por hora para o ambiente escolhido (ver tabela acima) Taxa de serviço Preço atual por CUH (por exemplo, 1.02 s de dólares americanos) Exemplo: Você tem um projeto com 7 usuários trabalhando em notebooks 8 horas por dia, 5 dias por semana. Todos os usuários utilizam o
IBM Runtime 24.1 on Python 3.10 XSambiente (2 vCPU,, 8 GB de RAM — taxa CUH: 1 ), e todos desligam seus ambientes de execução ao final do dia.8 hours/day × 5 days × 7 users × 1 CUH = 280 CUH per week 280 CUH × $1.02 = $285.60 per weekO cálculo do CUH se torna mais complexo quando diferentes ambientes são utilizados no mesmo projeto, quando os usuários têm vários ambientes de execução ativos ou quando os notebooks são programados para serem executados fora do horário comercial ou como tarefas de longa duração, pois cada ambiente de execução ativo consome seu próprio CUH.
Ambientes Spark padrão pelo tamanho de configuração de hardware do driver e pelo número de executores e seus tamanhos.
O que são executores? Em um ambiente Spark, o driver gerencia a execução geral da aplicação Spark (agendamento de tarefas e comunicação com o cluster), enquanto os executores são processos de trabalho distribuídos que executam as tarefas reais de processamento de dados em paralelo. Cada modelo de ambiente do Spark começa com um driver e um executor; é possível adicionar mais executores para aumentar o paralelismo.
Como funciona a tarifa “CUH por executor adicional”: O valor de CUH indicado na tabela é o custo básico para o motorista mais um executor. Cada executor adicional que você adicionar será cobrado de acordo com a taxa “CUH por executor adicional” indicada na mesma linha.
Fórmula:
{: .codeblock} Total CUH = Base CUH + (Number of additional executors × CUH per additional executor)Exemplo: Utilizando
Driver: 1 vCPU and 4 GB RAM; 1 Executor: 1 vCPU and 4 GB RAM(CUH base: 1, CUH por executor adicional: 0.5 ):- 0 executores adicionais:
1 + (0 × 0.5) = 1 CUH - 1 executor adicional:
1 + (1 × 0.5) = 1.5 CUH - 2 executores adicionais:
1 + (2 × 0.5) = 2 CUH
- 0 executores adicionais:
Consumo de CUH para notebooks com Decision Optimization
A taxa de horas de unidade de capacidade consumidas é determinada pelo tamanho do hardware e pelo preço de Decision Optimization.
| Tipo de capacidade | Idioma | Horas de unidade de capacidade |
|---|---|---|
| 1 vCPU e 4 GB de RAM | Python + Decision Optimization | 0.5 + 5 = 5.5 |
| 2 vCPU e 8 GB de RAM | Python + Decision Optimization | 1 + 5 = 6 |
| 4 vCPU e 16 GB de RAM | Python + Decision Optimization | 2 + 5 = 7 |
| 8 vCPU e 32 GB de RAM | Python + Decision Optimization | 4 + 5 = 9 |
| 16 vCPU e 64 GB de RAM | Python + Decision Optimization | 8 + 5 = 13 |
Consumo de CUH para notebooks com processamento de linguagem natural ( Watson )
A taxa de horas de unidade de capacidade consumidas é determinada pelo tamanho do hardware e pelo preço do Processamento de Linguagem Natural ( Watson ).
| Tipo de capacidade | Idioma | Horas de unidade de capacidade |
|---|---|---|
| 1 vCPU e 4 GB de RAM | Python + Watson Natural Language Processing | 0.5 + 5 = 5.5 |
| 2 vCPU e 8 GB de RAM | Python + Watson Natural Language Processing | 1 + 5 = 6 |
| 4 vCPU e 16 GB de RAM | Python + Watson Natural Language Processing | 2 + 5 = 7 |
| 8 vCPU e 32 GB de RAM | Python + Watson Natural Language Processing | 4 + 5 = 9 |
| 16 vCPU e 64 GB de RAM | Python + Watson Natural Language Processing | 8 + 5 = 13 |
Consumo de CUH para o script Bash Pipelines
| Tamanho | Tipo de capacidade | Horas de unidade de capacidade |
|---|---|---|
| XXS | 1 vCPU e 2 GB de RAM | 0.5 |
| XS | 1 vCPU e 4 GB de RAM | 0.5 |
| S | 2 vCPU e 8 GB de RAM | 1 |
| M | 4 vCPU e 16 GB de RAM | 2 |
| ML | 4 vCPU e 32 GB de RAM | 2 |
Notas:
- Os tempos de execução dos scripts Bash são interrompidos automaticamente quando o processamento é concluído.
- O consumo de recursos é medido em segundos, com um mínimo de 1 segundo. Por exemplo, se o tempo de execução for 52.1 segundos, a cobrança será de 53 segundos.
Consumo de CUH em tubulações
Os pipelines são usados para executar vários ativos, como notebooks e scripts. Embora a criação de um pipeline não consuma recursos de computação, a execução do pipeline consome.
Um caso específico em que o CUH é explicitamente cobrado é quando se executam nós de script Bash em um pipeline. Esses scripts são executados usando uma configuração de hardware selecionada, e a cobrança da CUH é baseada no tempo de execução e na configuração usada.
Consumo de CUH para fluxos de e SPSS Modeler
Ao abrir um fluxo do SPSS Modeler em um projeto, você seleciona um modelo de ambiente para o ambiente de execução. O modelo de ambiente especifica o tipo, o tamanho e a potência da configuração do hardware, mais o modelo de software. SPSS Modeler consome recursos de computação como CUH do serviço do Studio da watsonx.ai em projetos.
Após selecionar um ambiente, todos os outros fluxos do SPSS Modeler abertos nesse projeto usarão o mesmo ambiente de execução. A configuração de hardware dos ambientes disponíveis do SPSS Modeler é predefinida e não pode ser alterada.
- Como o CUH é consumido
- Quando você abre um fluxo do SPSS Modeler e o ambiente de execução é inicializado, é consumida uma certa quantidade de CUH. No entanto, a execução dos fluxos consome mais CUH do que a criação dos fluxos. Não há cobrança pela definição de uma implantação ou de uma tarefa de implantação para um fluxo do SPSS Modeler. Isso deve ser feito fora do ambiente de execução do ` SPSS Modeler `. No entanto, há uma cobrança pela execução de uma tarefa de implantação ou pela realização de inferências no recurso implantado.
Você pode selecionar qualquer um dos seguintes modelos de ambiente padrão para o ` SPSS Modeler ` em um projeto. Os modelos de ambiente incluídos estão listados na seção Modelos da página Ambientes, na guia Gerenciar do seu projeto.
| Nome | Tipo de capacidade | Armazenamento local | Horas de unidade de capacidade |
|---|---|---|---|
Default SPSS Modeler S |
2 vCPU e 8 GB de RAM | 128 GB | 1 |
Default SPSS Modeler M |
4 vCPU e 16 GB de RAM | 256 GB | 2 |
Default SPSS Modeler L |
6 vCPU e 24 GB de RAM | 512 GB | 3 |
Alterando o tempo de execução do ` SPSS Modeler `
Se você perceber que o processamento está muito lento, reinicie o SPSS Modeler e selecione um tempo de execução do ambiente maior.
Para alterar o ambiente de execução do ` SPSS Modeler `:
- Salve quaisquer dados de sua sessão atual antes de alternar para outro ambiente.
- Desative o ambiente de execução do SPSS Modeler em “Ambientes de execução da ferramenta”, na página “Ambientes”, na guia “Gerenciar” do seu projeto.
- Reinicie o SPSS Modeler e selecione outro ambiente com o poder de computação e a capacidade de memória que melhor atendam às suas necessidades.
Consumo de CUH para fluxos Data Refinery e Data Refinery
A taxa de horas de unidade de capacidade consumidas é determinada pela configuração de hardware do ambiente, tamanho do driver e número de executores e seu tamanho.
| Nome | Tipo de capacidade | Horas de unidade de capacidade |
|---|---|---|
| Tempo de execução do Data Refinery XS padrão | Três vCPUs e 12 GB de RAM | 1.5 |
| Faísca padrão 3.4 & R 4.3 | 2 Executores cada: 1 vCPU e 4 GB RAM; Driver: 1 vCPU e 4 GB RAM |
1.5 |
Consumo de CUH para RStudio
| Nome | Tipo de capacidade | Horas de unidade de capacidade |
|---|---|---|
| RStudio XS padrão | 2 vCPU e 8 GB de RAM | 1 |
| RStudio M padrão | 8 vCPU e 32 GB de RAM | 4 |
| RStudio L padrão | 16 vCPU e 64 GB de RAM | 8 |
Consumo de CUH para ambientes GPU
| Tipo de capacidade | GPUs | Idioma | Horas de unidade de capacidade |
|---|---|---|---|
| 1 x NVIDIA Tesla V100 | 1 | Python com GPU | 80 |
| 2 x NVIDIA Tesla V100 | 2 | Python com GPU | 136 |
Saiba Mais
- watsonx.ai Planos de serviços de estúdio
- Planos de serviço em AWS
- Para obter detalhes sobre a alocação e o consumo de recursos de computação, consulte Uso de computação watsonx.ai em ambientes Studio.