Percepat insight bisnis Anda dalam skala besar dengan AI transaksional di IBM z/OS
Platform AI transaksional
Machine learning untuk IBM z/OS (MLz) adalah platform AI transaksional yang berjalan secara native di IBM z/OS. Ini menyediakan antarmuka pengguna web (UI), berbagai antarmuka pemrograman aplikasi (API) dan dasbor administrasi web. Dasbor ini dilengkapi dengan rangkaian alat yang kuat dan mudah digunakan untuk pengembangan dan penerapan model, pengelolaan pengguna, serta administrasi sistem.
Gunakan dengan IBM z17™ dan IBM Telum® II untuk menghadirkan kemampuan AI transaksional. Memproses hingga 228.000 z/OS CICS transaksi kartu kredit per detik dengan waktu respons 4 mdtk, masing-masing dengan operasi inferensi deteksi penipuan dalam transaksi yang menggunakan model pembelajaran mendalam.1
Tempatkan aplikasi bersama dengan permintaan inferensi untuk membantu meminimalkan penundaan akibat latensi jaringan. Opsi ini memangkas waktu respons hingga 20x lipat dan meningkatkan throughput hingga 19x lipat dibandingkan dengan server cloud x86 yang memiliki latensi jaringan rata-rata 60 ms.2
Gunakan kemampuan AI tepercaya seperti penjelasan sambil memantau model Anda secara real time untuk drift. Kembangkan dan menerapkan model AI Anda di z/OS untuk transaksi dan beban kerja yang sangat penting dengan percaya diri.
Impor, terapkan, dan pantau model dengan mudah untuk memperoleh nilai dari setiap transaksi dan mendorong hasil baru untuk perusahaan Anda selagi mempertahankan perjanjian tingkat layanan (SLA) operasional.
Fitur
Edisi yang ditingkatkan dari ML untuk IBM z/OS menghadirkan kinerja penilaian yang lebih baik, menyediakan versi terbaru dari waktu proses machine learning Spark dan Python, serta dilengkapi dengan alat konfigurasi yang dipandu antarmuka grafis (GUI) dan fitur-fitur lainnya.
- Inferensi real-time: Penilaian dalam transaksi melalui antarmuka CICS dan WOLA asli untuk aplikasi CICS, IMS dan BATCH COBOL dan antarmuka RESTful
- Berbagai dukungan mesin: SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- Manajemen siklus hidup model: UI terpandu, layanan RESTful
- Telum II: model ONNX dan IBM SnapML
- AI tepercaya: Kemampuan menjelaskan dan pemantauan penyimpangan
Lingkungan JupyterHub bersama memungkinkan beberapa ilmuwan data untuk membangun dan melatih model bersama pada platform z/OS, untuk meningkatkan kolaborasi dan produktivitas.
Pemantauan yang ditingkatkan dan visualisasi yang lebih jelas untuk hasil kemampuan penjelasan membantu memastikan model tetap terbuka, andal, dan mudah ditafsirkan selama digunakan dalam produksi.
MLz mendukung penilaian klasifikasi multikelas berkinerja tinggi dengan menggunakan akselerator AI on-chip pada IBM Z System melalui Snap ML, sehingga meningkatkan kecepatan dan efisiensi inferensi model.
MLz menyediakan platform kelas enterprise yang aman untuk pengembangan model, penerapan, dan manajemen dengan UI web, API, dan integrasi dengan toolkit Spark dan Python.
Detail teknis
Machine Learning untuk IBM z/OS menggunakan teknologi milik IBM dan sumber terbuka dan memerlukan perangkat keras dan perangkat lunak prasyarat.
- z17, z16, atau z15
- z/OS 3.2, 3.1, atau 2.5
- IBM 64-Bit SDK for z/OS Java Technology Edition versi 8, 11, atau 17
- IBM WebSphere Application Server for z/OS Liberty versi 22.0.0.9 atau yang lebih baru
- Db2 12 for z/OS atau yang lebih baru hanya jika Anda memilih Db2 for z/OS sebagai database metadata repositori
Produk terkait
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.
Dapatkan analisis data berkecepatan tinggi untuk insight real-time di bawah kendali dan keamanan IBM Z.
Pelajari cara AI meningkatkan kegunaan, memperbaiki kinerja operasional, dan menjaga kesehatan sistem IBM Db2.
Catatan kaki
1 PENAFIAN: Hasil kinerja yang tercantum merupakan ekstrapolasi dari uji internal IBM yang dilakukan pada sistem IBM z17 LPAR yang dikonfigurasi dengan 6 prosesor (CP) dan 256 GB memori, yang menjalankan sistem operasi z/OS 3.1. Pengujian menggunakan beban kerja transaksi kartu kredit CICS OLTP dengan Intensitas Sarang Relatif rendah dikombinasikan dengan operasi inferensi berdasarkan model deteksi penipuan kartu kredit sintetis (tersedia di https://github.com/IBM/ai-on-z-fraud-detection) yang memanfaatkan Akselerator Terpadu untuk AI. Tolok ukur dilakukan menggunakan 32 utas yang mengeksekusi operasi inferensi secara bersamaan. Inferensi dilakukan menggunakan Machine Learning untuk IBM z/OS (v3.2.0) yang dihosting di server Liberty (v22.0.0.3). Selain itu, pemrosesan batch di sisi server telah diaktifkan pada Machine Learning for z/OS dengan ukuran batch 8 operasi inferensi. Hasil dapat bervariasi.
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 sisi-server diaktifkan pada Machine Learning for z/OS dengan ukuran 8 Operasi inferensi. Hasil mungkin berbeda.