IBM Machine Learning for z/OS (MLz) es una solución empresarial de machine learning que se ejecuta en IBM Z. Proporciona una interfaz web de usuario (UI), varias API y un panel de administración web con un potente conjunto de herramientas fáciles de usar para el desarrollo e implementación de modelos, la gestión de usuarios y la administración de sistemas.
Infunda modelos de machine learning y deep learning en sus aplicaciones z/OS y ofrezca conocimientos empresariales en tiempo real a escala. Importe, implemente y monitorice modelos con facilidad para obtener valor de cada transacción e impulse nuevos resultados para su empresa manteniendo los SLA operativos.
Para una mayor flexibilidad, Machine Learning for z/OS incluye dos ediciones:
- IBM Machine Learning for IBM z/OS Enterprise Edition: ofrece muchas mejoras de usabilidad, como un mejor rendimiento de la puntuación, una nueva versión de los tiempos de ejecución de machine learning de Spark y Python, e incluye una herramienta de configuración guiada por la interfaz gráfica de usuario y mucho más.
- IBM Machine Learning for IBM z/OS Core Edition: una versión ligera de WMLz que proporciona los servicios esenciales basados en REST-API para operaciones de machine learning, incluidas las capacidades de puntuación en línea en IBM Z.
Todas las ediciones de IBM MLz pueden ejecutarse como una solución independiente o infundirla en la capacidad de IA de su empresa como una plataforma escalable.
Se puede acceder de forma nativa a las explicaciones visualizadas de inferencias de IA en MLz
Operaciones básicas mLZ
MLz Empresa
Maximice la potencia de IBM z16 y Telum AIU. Procese hasta 228 000 transacciones con tarjeta de crédito z/OS CICS por segundo con un tiempo de respuesta de 6 ms1, cada una con una operación de inferencia de detección de fraudes en la transacción mediante un modelo de deep learning.
Coubique las aplicaciones con las peticiones de inferencias para ayudar a minimizar los retrasos causados por la latencia de la red. Esto ofrece un tiempo de respuesta hasta 20 veces inferior y un rendimiento hasta 19 veces superior frente al envío de las mismas peticiones de inferencia a un servidor en la nube x86 comparado con una latencia de red media de 60 ms.2
Utilice las prestaciones de la IA fiable, como la explicabilidad, y monitorice sus modelos en tiempo real para detectar derivas, imparcialidad o sesgos, así como su robustez, para desarrollar e implementar con confianza sus modelos de IA en z/OS para cargas de trabajo de misión crítica.
Con la actualización a la versión 3.1, MLz ofrece más flexibilidad a clientes y proveedores de soluciones con la introducción de dos nuevas ofertas: Enterprise Edition y Core Edition.
Edición mejorada que ofrece un rendimiento de la puntuación mejorado, una nueva versión de los tiempos de ejecución de machine learning de Spark y Python, e incluye una herramienta de configuración guiada por la interfaz gráfica de usuario y mucho más.
Una versión ligera de WMLz que proporciona los servicios esenciales basados en REST-API para las operaciones de machine learning, incluidas las capacidades de puntuación en línea en IBM Z.
Configuración de la interfaz gráfica de usuario
Interfaz de usuario (para la administración e implementación de modelos, panel de administración)
Base de datos de repositorio (incorporada y Db2 for z/OS)
Herramienta de entrenamiento de modelos de IA (cuaderno de notas Jupyter integrado)
Tiempo de ejecución de ML de Spark
Tiempo de ejecución de ML de Python
Tiempo de ejecución de puntuación de SparkML y PMML
Tiempo de ejecución de puntuación de Python y ONNX
Servicios de inferencia – Interfaz RESTful
Servicios de inferencia – interfaz nativa
Puntuación integrada en las transacciones (aplicaciones CICS e IMS)
Machine Learning for z/OS utiliza tecnologías patentadas y de código abierto de IBM y requiere hardware y software como requisitos previos.
- Sistema z16, z15, z14, z13 o zEnterprise EC12
- z/OS 3.1, 2.5 o 2.4
- IBM 64-Bit SDK for z/OS Java Technology Edition versión 8 SR7, 11.0.17 o posterior
- IBM WebSphere Application Server for z/OS Liberty versión 22.0.0.9 o posterior
- Db2 12 for z/OS o posterior solo si elige Db2 for z/OS como base de datos de metadatos del repositorio
Aproveche lo mejor del mainframe y la innovación de la nube.
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.
Aproveche un sistema operativo de alta seguridad y escalable para ejecutar aplicaciones de misión crítica.
Aumente la disponibilidad, la seguridad y la resiliencia a la vez que mejora el rendimiento y los resultados empresariales.
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, mejora el rendimiento operativo y mantiene la salud de los sistemas IBM Db2.
Notas a pie de página
DESCARGO DE RESPONSABILIDAD: el resultado del rendimiento se ha extrapolado a partir de pruebas internas de IBM ejecutando una carga de trabajo de transacciones de tarjetas de crédito CICS con operaciones de inferencia en un IBM z16. Se utilizó una LPAR z/OS V2R4 configurada con 6 CP 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 de fraudes con tarjetas de crédito (https://github.com/ai-on-z-fraud-detection) y el acelerador integrado para IA. Se habilitó el proceso por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de 8 operaciones de inferencia. El test de referencia se ejecutó con 48 hilos realizando operaciones de inferencia. Los resultados representan un IBM z16 totalmente configurado con 200 CP y 40 TB de almacenamiento. 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 zIIPs 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 de fraudes con tarjetas de crédito (https://github.com/IBM/ai-on--detection). Se habilitó el proceso por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de 8 operaciones de inferencia. Los resultados pueden variar.