Accélérez vos analyses métier à grande échelle grâce à l’IA transactionnelle sur IBM z/OS
Plateforme d’IA transactionnelle
Machine Learning for IBM z/OS (MLz) est une plateforme d’IA transactionnelle qui s’exécute nativement sur IBM z/OS. Elle fournit une interface utilisateur web, diverses interfaces de programmation d'applications (API) et un tableau de bord d'administration web. Le tableau de bord est accompagné d'une puissante suite d'outils faciles à utiliser pour le développement et le déploiement de modèles, la gestion des utilisateurs et l'administration du système.
À utiliser avec IBM z17™ et IBM Telum II pour offrir une capacité d’IA transactionnelle. Traitez jusqu’à 282 000 transactions de cartes de crédit z/OS CICS par seconde avec un temps de réponse de 4 ms, chacune intégrant une opération d’inférence de détection des fraudes utilisant un modèle d’apprentissage profond.1
Regroupez les applications avec les requêtes d’inférence afin de réduire les retards liés à la latence du réseau. Cette option réduit le temps de réponse jusqu'à 20 fois et augmente le débit jusqu'à 19 fois par rapport à un serveur cloud x86 présentant une latence réseau moyenne de 60 ms.2
Utilisez des capacités d'IA fiables telles que l'explicabilité tout en surveillant vos modèles en temps réel pour détecter toute dérive. Développez et déployez en toute confiance vos modèles d'IA transactionnelle sur z/OS pour les transactions et workloads essentiels.
Importez, déployez et surveillez facilement les modèles afin de valoriser chaque transaction et d’obtenir de nouveaux résultats pour votre entreprise, tout en gérant les accords de niveau de service opérationnels (SLA).
Fonctionnalités
La nouvelle édition améliorée de ML pour IBM z/OS offre de meilleures performances de scoring, une nouvelle version des moteurs d’exécution Spark et Python pour le machine learning ainsi qu’un outil de configuration guidé par l’interface graphique, et plus encore.
- Inférence en temps réel : notation des transactions via les interfaces natives CICS et WOLA pour les applications CICS, IMS et BATCH COBOL et via l’interface RESTful
- Compatible avec différents moteurs : SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- Gestion du cycle de vie des modèles : interface utilisateur guidée, services RESTful
- Telum II : modèles ONNX et IBM SnapML
- IA digne de confiance : explicabilité et surveillance des dérives
Un environnement JupyterHub partagé permet à plusieurs scientifiques des données de créer et d'entraîner ensemble des modèles sur la plateforme z/OS, améliorant ainsi la collaboration et la productivité.
Une surveillance améliorée et des visualisations plus claires des résultats d'explicabilité contribuent à garantir que les modèles restent ouverts, fiables et faciles à interpréter pendant leur utilisation en production.
MLz prend en charge la notation de classification multiclasses haute performance en utilisant l'accélérateur IA intégré aux systèmes IBM Z via Snap ML, améliorant ainsi la vitesse et l'efficacité de l'inférence des modèles.
MLz fournit une plateforme sécurisée de niveau entreprise pour le développement, le déploiement et la gestion de modèles, avec une interface utilisateur web, des API et une intégration avec les boîtes à outils Spark et Python.
Informations techniques
Machine Learning for z/OS utilise à la fois des technologies IBM propriétaires et open source et nécessite du matériel et des logiciels prérequis.
- z17, z16 ou z15
- z/OS 3.2, 3.1 ou 2.5
- IBM 64-bit SDK for z/OS Java Technology Edition version 8, 11 ou 17
- IBM WebSphere Application Server for z/OS Liberty version 22.0.0.9 ou plus récente
- Db2 13 for z/OS ou plus récente seulement si vous choisissez Db2 for z/OS comme base de données des métadonnées du référentiel
Produits associés
Identifiez les problèmes opérationnels et évitez les incidents coûteux en détectant les anomalies dans les journaux et les données d'indicateurs.
Accédez à une bibliothèque de logiciels open source pertinents pour prendre en charge les workloads d’IA et de ML modernes.
Bénéficiez d’analyses à grande vitesse des données de votre entreprise pour obtenir des informations en temps réel sous le contrôle et la sécurité d’IBM Z.
Découvrez comment l’IA améliore la convivialité, les performances opérationnelles et la santé des systèmes IBM Db2.
Notes de bas de page
1 CLAUSE DE PROTECTION : les résultats de performance sont extrapolés à partir de tests internes d’IBM réalisés sur une partition logique IBM z17 configurée avec 6 CP et 256 Go de mémoire, exécutant z/OS 3.1. Les tests ont utilisé une charge de travail de transactions par carte de crédit CICS OLTP avec une faible intensité relative combinée à des opérations d’inférence basées sur un modèle synthétique de détection des fraudes par carte de crédit (disponible à l’adresse https://github.com/IBM/ai-on-z-fraud-detection) qui exploite l’accélérateur intégré pour l’IA. Le test de référence a été réalisé à l’aide de 32 threads exécutant simultanément des opérations d’inférence. L’inférence a été réalisée à l’aide de Machine Learning for IBM z/OS (v3.2.0) hébergé sur un serveur Liberty (v22.0.0.3). De plus, la création de lots côté serveur a été activée sur Machine Learning for z/OS avec une taille de 8 opérations d’inférence. Les résultats peuvent varier.
2 CLAUSE DE PROTECTION : les résultats de performance sont basés sur un workload interne de carte de crédit OLTP CICS avec une détection des fraudes intégrée aux transactions fonctionnant sur IBM z16. Les mesures ont été effectuées avec et sans l’accélérateur intégré pour l’IA. Une partition z/OS V2R4 configurée avec 12 CP, 24 zIIP et 256 Go de mémoire a été utilisée. L’inférence a été réalisée avec Machine Learning for z/OS 2.4 fonctionnant sur WebSphere Application Server Liberty 21.0.0.12, en utilisant un modèle synthétique de détection des fraudes à la carte de crédit (https://github.com/IBM/ai-on-z-fraud-detection). La création de lots côté serveur a été activée sur Machine Learning for z/OS avec une taille de 8 opérations d’inférence. Les résultats peuvent varier.