Scopri l'integrazione dell'AI in IBM Db2 for z/OS per migliorare la produttività operativa

Dettagli di IBM Watson® Machine Learning for z/OS®

Sviluppo flessibile di modelli

Offri ai team di data science la flessibilità di creare, addestrare e valutare i modelli utilizzando un IDE (Integrated Development Environment) a propria scelta. Oppure, utilizza le estese funzioni di creazione di modelli di IBM® Watson Machine Learning for z/OS, basate su software open source di livello enterprise.

Aumento della produttività

Ottimizza la produttività dei data scientist attraverso le estese funzioni di creazione di modelli di IBM Watson Machine Learning for z/OS. Questo prodotto offre diverse modalità di creazione di modelli tra cui notebook, programmi di creazione visivi, procedure guidate e intelligence potenziata, applicata alle attività dei data scientist. Normalizza automaticamente, gestisci i valori mancanti e genera le funzioni di dati per rendere esperti persino i data scientist principianti.

Implementazione di modelli di AI pronti per le aziende

Metti in funzione i modelli predittivi all'interno delle applicazioni per le transazioni, senza sovraccarichi significativi, rendendo possibile l'acquisizione di insight in tempo reale nei punti di interazione. Questo prodotto offre diversi approcci di assegnazione di punteggi, tra cui le API RESTful e l'integrazione Java e CICS, ottimizzati per i massimi livelli di sicurezza e prestazioni su IBM® Z.

Maggiore precisione dei modelli

Consenti ai data scientist e agli ingegneri di pianificare rivalutazioni continue dei nuovi dati per monitorare la precisione dei modelli nel tempo e ricevi avvisi nel caso di un peggioramento delle prestazioni. Aggiorna automaticamente i modelli per mantenere la loro precisione con fiducia.

Machine learning pronto per la produzione

Ottieni la creazione di versioni dei modelli essenziali, le verifiche e il monitoraggio in aggiunta all'alta disponibilità, le prestazioni elevate, la bassa latenza e l'automazione dei modelli di machine learning (machine learning as a service).

Modelli di soluzioni ad avvio rapido

Offri modelli di base essenziali per i requisiti aziendali comuni per valorizzare al massimo i tuoi sforzi nell'ambito del machine learning. I modelli di soluzione dimostrano come il machine learning possa essere eseguito in simbiosi con la tua infrastruttura applicativa per aggiungere valore alle principali aree di business, tra cui il rilevamento di frodi, l'approvazione di prestiti e l'analytics operativa IT.

Dettagli tecnici

Specifiche tecniche

Novità

  • Migliora notevolmente le prestazioni di servizio di calcolo del punteggio online per vari tipi di modelli di machine learning, soprattutto per i modelli di deep learning in formato ONNX (Open Neural Network Exchange)
  • Migliore integrazione con IBM Cloud Pak for Data
  • Semplificazione migliorata per l'installazione e la configurazione
  • Nuovo programma di pianificazione dell'installazione che aiuta a fornire indicazioni per la preparazione dell'installazione basata sui casi di utilizzo
  • IBM WMLz 2.3 Online Scoring Community Edition. Questa versione leggera del servizio di assegnazione del punteggio di rischio WMLz, fornisce un'opzione a costo zero che consente alle organizzazioni di scaricare e provare facilmente l'approccio di assegnazione del punteggio di rischio all'interno della transazione WMLz.

Requisiti software

  • z/OS 2.4, 2.3 e Db2 11 for z/OS o versioni successive
  • z/OS ICSF e z/OS OpenSSH
  • SDK a 64 bit IBM per z/OS Java™ v8 SR6
  • Watson Machine Learning for z/OS IDE per Linux su Z o Linux su x86
  • Red Hat OpenShift Container Platform 4.6

Requisiti hardware

  • Sistema z15, z14, IBM® z13 o IBM zEnterprise EC12 (1 GCP, 4 zIIP, 100 GB di memoria, 100 GB di spazio su disco)
  • IDE di Watson Machine Learning for z/OS su Linux on Z o Linux on x86
  • 3 nodi master (4 vCPU, 16 GB di memoria, 200 GB di storage nel file system root, 300 GB per il registro immagini su un nodo master, 10 gbps di capacità di rete)
  • 3 nodi di lavoro (10 vCPU, 64 GB di memoria, 200 GB di storage nel file system root, 10 gbps di capacità di rete)
  • Totale (6 server, 42 vCPU, 240 GB di memoria, 1,5 TB di storage)

Next Steps

Come funziona?