Acelere la información empresarial a gran escala con la IA transaccional en IBM z/OS
Plataforma de IA transaccional
Machine Learning for IBM z/OS (MLz) es una plataforma de IA transaccional que se ejecuta de forma nativa en IBM® z/OS. Proporciona una interfaz de usuario web (IU), diversas interfaces de programación de aplicaciones (API) y un panel de control. El panel de control viene con una suite potente de herramientas fáciles de usar para el desarrollo y la implementación de modelos, la gestión de usuarios y la administración del sistema.
Utilícelo con IBM® z17 e IBM® Telum II para ofrecer capacidad de IA transaccional. Procese hasta 228 000 transacciones de tarjetas de crédito z/OS CICS por segundo con un tiempo de respuesta de 6 ms, cada una con una operación de inferencia de detección de fraude en la transacción mediante un modelo de deep learning1.
Coloque las aplicaciones con solicitudes de inferencias para ayudar a minimizar los retrasos causados por la latencia de la red. Esta opción reduce el tiempo de respuesta hasta 20 veces y aumenta el rendimiento hasta 19 veces en comparación con un servidor en la nube x86 con una latencia de red promedio de 60 ms2.
Utilice capacidades de IA fiables, como la explicabilidad, mientras monitoriza sus modelos en tiempo real para detectar la deriva. Desarrolle e implemente sus modelos de IA en z/OS para transacciones de misión crítica y cargas de trabajo con confianza.
Importe, implemente y monitorice modelos con facilidad para obtener valor de cada transacción e impulse nuevos resultados para su empresa manteniendo los SLA operativos.
Características
La nueva edición mejorada de ML for IBM z/OS ofrece un mejor rendimiento de puntuación, una nueva versión de Spark y tiempos de ejecución de machine learning en Python, e incluye una herramienta de configuración guiada por GUI y más.
- Inferencia en tiempo real: puntuación dentro de las transacciones mediante interfaces nativas CICS y WOLA para aplicaciones CICS, IMS y BATCH COBOL y la interfaz RESTful
- Compatibilidad con varios motores: SparkML, Python, PMML, IBM® SnapML, watsonx Core Time Series
- Gestión del ciclo de vida del modelo: IU guiada, servicios RESTful
- Telum II: modelos ONNX e IBM SnapML
- IA fiable: explicabilidad y monitorización de derivas
Un entorno JupyterHub compartido permite a varios científicos de datos crear y entrenar modelos juntos en la plataforma z/OS, mejorando la colaboración y la productividad.
La monitorización mejorada y las visualizaciones más claras de los resultados de explicabilidad ayudan a garantizar que los modelos permanezcan abiertos, fiables y fáciles de interpretar durante el uso en producción.
MLz soporta la puntuación multiclase de alto rendimiento utilizando el acelerador de IA en los sistemas IBM® z Systems a través de Snap ML, mejorando la velocidad y eficiencia de la inferencia del modelo.
MLz proporciona una plataforma segura y de nivel empresarial para el desarrollo, la implementación y la gestión de modelos con interfaz de usuario web, API e integración con kits de herramientas Spark y Python.
Detalles técnicos
Machine Learning for z/OS utiliza tecnologías patentadas y de código abierto de IBM y requiere hardware y software como requisitos previos.
- z17, z16 o z15
- z/OS 3.2, 3.1 o 2.5
- IBM® 64-bit SDK for z/OS Java Technology Edition versión 8, 11 o 17
- IBM® WebSphere Application Server for z/OS Liberty versión 22.0.0.9 o posterior
- Db2 13 for z/OS o posterior solo si elige Db2 for z/OS como base de datos de metadatos del repositorio
Productos relacionados
Identifique los problemas operativos y evite incidencias costosas detectando anomalías tanto en los datos de registro como en los métricos.
Acceda a una biblioteca de software de código abierto relevante para respaldar las cargas de trabajo actuales de IA y ML.
Obtenga análisis de datos de alta velocidad para una visión en tiempo real bajo el control y la seguridad de IBM Z.
Descubra cómo la IA mejora la usabilidad, el rendimiento operativo y mantiene la salud de los sistemas IBM® Db2.
Notas a pie de página
1 DESCARGO DE RESPONSABILIDAD: los resultados de rendimiento se han extrapolado a partir de pruebas internas de IBM realizadas en un LPAR IBM® z17 configurado con 6 CP y 256 GB de memoria, ejecutando z/OS 3.1. Las pruebas se realizaron con una carga de trabajo de transacciones de tarjetas de crédito OLTP en CICS con una intensidad relativa de anidamiento baja, combinada con operaciones de inferencia basadas en un modelo sintético de detección del fraude con tarjetas de crédito (disponible en https://github.com/IBM/ai-on-z-fraud-detection) que aprovecha el acelerador integrado para IA. La referencia se llevó a cabo con 32 subprocesos que ejecutaban operaciones de inferencia de forma simultánea. La inferencia se llevó a cabo utilizando Machine Learning for IBM z/OS (v3.2.0) alojado en un servidor Liberty (v22.0.0.3). Además, se habilitó el procesamiento por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de lote de ocho operaciones de inferencia. Los resultados pueden variar.
2 DESCARGO DE RESPONSABILIDAD: los resultados de rendimiento se basan en una carga de trabajo de tarjeta de crédito CICS OLTP interna de IBM con detección de fraude en la transacción que se ejecuta en IBM® z16. Las mediciones se realizaron con y sin el acelerador integrado para IA. Se utilizó una LPAR z/OS V2R4 configurada con 12 CP, 24 zIIP y 256 GB de memoria. La inferencia se realizó con Machine Learning for z/OS 2.4 ejecutándose en WebSphere Application Server Liberty 21.0.0.12, utilizando un modelo sintético de detección del fraude con tarjetas de crédito (https://github.com/IBM/ai-on-z-fraud-detection). Se habilitó el procesamiento por lotes en el lado del servidor en Machine Learning for z/OS con un tamaño de 8 operaciones de inferencia. Los resultados pueden variar.