IBM Machine Learning for z/OS (MLz) est une solution de machine learning d'entreprise qui s'exécute sur IBM Z. Elle fournit une interface utilisateur web, diverses API et un tableau de bord d'administration web avec une suite puissante d'outils faciles à utiliser pour le développement et le déploiement de modèles, la gestion des utilisateurs et l'administration système.
Intégrez les modèles de machine learning et d’apprentissage en profondeur à vos applications z/OS et générez des informations métier en temps réel et à l’échelle. 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.
Pour une plus grande flexibilité, Machine Learning for z/OS se décline en deux éditions :
- IBM Machine Learning for IBM z/OS Enterprise Edition : offre de nombreuses améliorations en termes d'utilisation, telles que 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 une interface graphique, et bien plus encore.
- IBM Machine Learning for IBM z/OS Core Edition : une version simplifiée de WMLz fournissant les services essentiels basés sur REST-API pour les opérations de machine learning, y compris les capacités de scoring en ligne sur IBM Z.
Toutes les éditions d'IBM MLz peuvent être exécutées en tant que solution autonome ou intégrées à la capacité d'IA de votre entreprise en tant que plateforme évolutive.
Les explications visualisées des inférences de l'IA sont accessibles en mode natif dans MLz
MLz Core
MLz Enterprise
Optimisez la puissance d’IBM z16 et de l’AIU de Telum. Traitez jusqu’à 228 000 transactions de cartes de crédit z/OS CICS par seconde avec un temps de réponse de 6 ms1, chacune intégrant une opération d’inférence de détection des fraudes utilisant un modèle d’apprentissage profond.
Regroupez les applications avec les requêtes d’inférence afin de réduire les retards liés à la latence du réseau. Cela permet de diviser par 20 le temps de réponse et de multiplier par 19 le débit par rapport à l’envoi des mêmes requêtes d’inférence à un serveur cloud x86 similaire, avec une latence moyenne du réseau de 60 ms2.
Exploitez les capacités de l’IA digne de confiance comme l’explicabilité et surveillez vos modèles en temps réel pour détecter les dérives, l’équité ou les biais et la robustesse afin de développer et de déployer en toute confiance vos modèles d’IA sur z/OS pour des workloads stratégiques.
Avec la mise à jour vers la version 3.1, WMLz offre plus de flexibilité à nos clients et fournisseurs de solutions avec le lancement de deux nouvelles offres : Enterprise Edition et Core Edition.
Édition améliorée qui 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.
Une version simplifiée de WMLz fournissant les services essentiels basés sur REST-API pour les opérations de machine learning, y compris les capacités de scoring en ligne sur IBM Z.
Configuration de l’interface graphique
Interface utilisateur (pour la gestion et le déploiement des modèles, le tableau de bord administrateur)
Base de données du référentiel (intégrée et Db2 for z/OS)
Outil d’entraînement de modèles d’IA (Jupyter Notebook intégré)
Exécution Spark ML
Exécution Python ML
Exécution du scoring SparkML et PMML
Exécution du scoring Python et ONNX
Services d’inférence – Interface RESTful
Services d’inférence – Interface native
Scoring intégré à la transaction (applications CICS et IMS)
Machine Learning for z/OS utilise à la fois des technologies IBM propriétaires et open source et nécessite du matériel et des logiciels prérequis.
- Système z16, z15, z14, z13 ou zEnterprise EC12
- z/OS 3.1, 2.5 or 2.4
- IBM 64-bit SDK for z/OS Java Technology Edition version 8 SR7, 11.0.17 ou plus récente
- IBM WebSphere Application Server for z/OS Liberty version 22.0.0.9 or plus récente
- Db2 12 for z/OS ou plus récente seulement si vous choisissez Db2 for z/OS comme base de données des métadonnées du référentiel
Tirez parti du meilleur du mainframe et de l’innovation du cloud.
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.
Optimisez un système d’exploitation sécurisé et évolutif pour exécuter des applications essentielles.
Renforcez la disponibilité, la sécurité et la résilience tout en améliorant les performances et les résultats métier.
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 exécutant un workload de transaction de carte de crédit CICS avec des opérations d’inférence sur un IBM z16. Une partition z/OS V2R4 configurée avec 6 CP 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) et l’accélérateur intégré pour l’IA. La création de lots côté serveur a été activée sur Machine Learning for z/OS avec une taille de 8 opérations d’inférence. Le test de performances a été exécuté avec 48 unités d’exécution effectuant des opérations d’inférence. Les résultats représentent un IBM z16 entièrement configuré avec 200 CP et 40 To de stockage. 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.