IBM® Machine Learning for z/OS (MLz) adalah solusi machine learning perusahaan yang berjalan pada IBM® Z. Menyediakan antarmuka pengguna web (UI), berbagai API, dan dasbor administrasi web dengan rangkaian alat yang mudah digunakan untuk pengembangan dan penyebaran model, manajemen pengguna, dan administrasi sistem.
Menanamkan model machine learning dan pembelajaran mendalam dengan aplikasi z/OS Anda dan memberikan insight bisnis real-time dalam skala besar. Impor, terapkan, dan pantau model dengan mudah untuk memperoleh nilai dari setiap transaksi, dan mendorong hasil baru untuk perusahaan Anda sambil mempertahankan SLA operasional.
Untuk fleksibilitas yang lebih besar, Machine Learning for z/OS mencakup dua edisi:
Semua edisi IBM MLz dapat berjalan sebagai solusi yang berdiri sendiri atau memasukkannya ke dalam kemampuan AI perusahaan Anda sebagai platform yang dapat diskalakan.
Penjelasan visualisasi inferensi AI dapat diakses secara native di MLz
MLz Core
MLz Enterprise
Maksimalkan kekuatan IBM z16™ dan Telum™ AIU. Memproses hingga 228 K z/OS CICS ® transaksi kartu kredit per detik dengan waktu respons 6 mdtk1, masing-masing dengan operasi inferensi deteksi penipuan dalam transaksi yang menggunakan model pembelajaran mendalam.
Tempatkan aplikasi bersama dengan permintaan inferensi untuk membantu meminimalkan penundaan akibat latensi jaringan. Ini memberikan waktu respons hingga 20x lebih rendah dan throughput hingga 19x lebih tinggi dibandingkan mengirim permintaan inferensi yang sama ke server cloud x86 yang dibandingkan dengan latensi jaringan rata-rata 60 milidetik.2
Manfaatkan kemampuan AI andal seperti kemampuan menjelaskan. Kemudian pantau model Anda secara real-time untuk mendeteksi penyimpangan, keadilan, atau bias serta ketahanan untuk dengan yakin mengembangkan dan menerapkan model AI Anda di z/OS untuk beban kerja yang sangat penting.
Pembaruan WMLz ke versi 3.1 menawarkan fleksibilitas yang lebih besar kepada klien dan penyedia solusi kami dengan diperkenalkannya 2 penawaran baru: Enterprise Edition dan Core Edition
Edisi yang disempurnakan yang memberikan peningkatan kinerja penilaian, versi baru dari runtime machine learning Spark dan Python serta menyertakan alat konfigurasi yang dipandu oleh GUI dan banyak lagi.
Versi ringan dari wMLZ menyediakan layanan penting yang berbasis REST API untuk operasi machine learning termasuk kemampuan penilaian online di IBM Z.
Konfigurasi GUI
UI (untuk manajemen dan penerapan model, dasbor admin)
Database repositori (bawaan dan Db2 for z/OS)
Alat pelatihan Model AI (Jupyter Notebook Terintegrasi)
Spark ML runtime
Python ML runtime
Waktu proses penilaian SparkML dan PMML
Waktu proses penilaian Python dan ONNX
Layanan Inferensi – inferensi RESTful
Layanan inferensi—antarmuka asli
Penilaian dalam transaksi terintegrasi (aplikasi CICS dan IMS)
Machine Learning for z/OS menggunakan teknologi milik IBM dan sumber terbuka serta memerlukan perangkat keras dan perangkat lunak yang diperlukan.
Memanfaatkan yang terbaik dari mainframe dan inovasi cloud.
Identifikasi masalah operasional dan hindari insiden yang mahal dengan mendeteksi anomali pada data log dan metrik.
Akses pustaka perangkat lunak sumber terbuka yang relevan untuk mendukung beban kerja AI dan ML saat ini.
Manfaatkan sistem operasi yang kaya keamanan dan dapat diskalakan untuk menjalankan aplikasi yang sangat penting.
Meningkatkan ketersediaan, keamanan, dan ketahanan sekaligus meningkatkan kinerja dan hasil bisnis.
Dapatkan analisis data berkecepatan tinggi untuk insight real-time di bawah kendali dan keamanan IBM Z.
Pelajari cara AI menyempurnakan kegunaan, meningkatkan kinerja operasional, dan menjaga kesehatan sistem IBM® Db2®.
1 PENAFIAN: Hasil kinerja diekstrapolasi dari pengujian internal IBM yang menjalankan beban kerja transaksi kartu kredit CICS dengan operasi inferensi pada IBM z16. z/OS V2R4 LPAR dikonfigurasi dengan 6 CP dan memori 256 GB yang digunakan. Inferensi dilakukan dengan Machine Learning for z/OS 2.4 yang berjalan pada WebSphere Application Server Liberty 21.0.0.12, menggunakan model deteksi penipuan kartu kredit sintetis (https://github.com/IBM/ai-on-z-fraud-detection) dan Akselerator Terintegrasi untuk AI. Pentahapan server-side diaktifkan pada Machine Learning for z/OS dengan ukuran 8 Operasi inferensi. Benchmark dijalankan dengan 48 utas yang melakukan operasi inferensi. Hasilnya mewakili IBM z16 yang dikonfigurasi sepenuhnya dengan 200 CP dan penyimpanan 40 TB. Hasil mungkin berbeda.
2 PENAFIAN: Hasil kinerja didasarkan pada beban kerja kartu kredit CICS OLTP internal IBM dengan deteksi penipuan dalam transaksi yang berjalan pada IBM z16. Pengukuran dilakukan dengan dan tanpa Akselerator Terintegrasi untuk AI. A z/OS V2R4 LPAR dikonfigurasi dengan 12 CPs, 24 zIIPs, dan memori 256 GB yang digunakan. Inferensi dilakukan dengan Machine Learning for z/OS 2.4 yang berjalan pada WebSphere Application Server Liberty 21.0.0.12, menggunakan model deteksi penipuan kartu kredit sintetis (https://github.com/IBM/ai-on-z-fraud-detection). Pentahapan server-side diaktifkan pada Machine Learning for z/OS dengan ukuran 8 Operasi inferensi. Hasil mungkin berbeda.