IBM z/OS에서 트랜잭션 AI를 이용해 대규모 비즈니스 인사이트 가속화
트랜잭션 AI 플랫폼
Machine Learning for IBM z/OS(MLz)는 IBM z/OS에서 기본적으로 실행되는 트랜잭션 AI 플랫폼입니다. 웹 사용자 인터페이스(UI), 다양한 애플리케이션 프로그래밍 인터페이스(API), 웹 관리 대시보드를 제공합니다. 대시보드에는 모델 개발 및 배포, 사용자 관리 및 시스템 관리를 위한 쉽고 강력한 도구들이 함께 제공됩니다.
IBM® z17 및 IBM Telum II를 함께 사용해서 트랜잭션 AI 기능을 제공하세요. 4ms의 응답 시간으로 초당 최대 282,000건의 z/OS CICS 신용 카드 거래를 처리하며 각각 딥 러닝 모델을 사용하는 트랜잭션 중 사기 탐지 추론 작업을 수행합니다.1
추론 요청과 애플리케이션을 함께 배치하면 네트워크 대기 시간으로 인한 지연을 최소화할 수 있습니다. 이 옵션은 평균 네트워크 대기 시간이 60ms인 x86 클라우드 서버에 비해 응답 시간을 최대 20배 단축하고 처리량을 최대 19배까지 향상합니다.2
설명 가능성과 같은 신뢰할 수 있는 AI 기능을 사용하고 모델의 드리프트를 실시간으로 모니터링하세요. 미션 크리티컬 트랜잭션 및 워크로드를 위한 트랜잭션 AI 모델을 z/OS에서 자신 있게 개발하고 배포할 수 있습니다.
모델을 쉽게 가져오고 배포하고 모니터링하여 모든 거래에서 가치를 얻고, 운영 서비스 수준 계약(SLA)을 유지하면서 기업을 위한 새로운 성과를 이끌어냅니다.
기능
새롭게 개선된 IBM z/OS용 머신 러닝 에디션은 개선된 스코어링 성능, 새 버전의 Spark 및 Python 머신 러닝 런타임을 제공하며 GUI 안내 구성 도구 등을 제공합니다.
- 실시간 추론: CICS, IMS 및 BATCH COBOL 애플리케이션용 네이티브 CICS 및 WOLA 인터페이스와 RESTful 인터페이스를 통한 트랜잭션 내 스코어링
- 다양한 엔진 지원: SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- 모델 라이프사이클 관리: 안내형 UI, RESTful 서비스
- Telum II: ONNX 및 IBM SnapML 모델
- 신뢰할 수 있는 AI: 설명 가능성 및 드리프트 모니터링
공유 JupyterHub 환경을 사용하면 여러 데이터 과학자가 z/OS 플랫폼에서 함께 모델을 구축하고 학습하여 협업과 생산성을 개선할 수 있습니다.
설명 가능성 결과를 위해 향상된 모니터링과 명확한 시각화를 통해, 프로덕션 사용 중에 모델을 신뢰할 수 있는 방식으로 쉽고 개방적이게 해석할 수 있습니다.
MLz는 Snap ML을 통해 IBM z Systems의 온칩 AI 가속기를 사용하여 성능 멀티클래스 분류 점수 산정을 지원하고 모델 추론 속도와 효율성을 개선합니다.
MLz는 웹 UI, API, Spark 및 Python 툴킷과의 통합을 통해 모델 개발, 배포 및 관리를 위한 안전한 엔터프라이즈급 플랫폼을 제공합니다.
세부 기술정보
Machine Learning for z/OS는 IBM 독점 기술과 오픈 소스 기술을 모두 사용하며 필수 하드웨어 및 소프트웨어가 필요합니다.
- z17, z16 또는 z15
- z/OS 3.2, 3.1 또는 2.5
- IBM 64-Bit SDK for z/OS Java Technology Edition 버전 8, 11 또는 17
- IBM WebSphere Application Server for z/OS Liberty 버전 22.0.0.9 이상
- Db2 for z/OS 이상 버전(Db2 for z/OS를 리포지토리 메타데이터 데이터베이스로 선택한 경우에만 해당)
관련 제품
로그 및 메트릭 데이터 모두에서 이상 징후를 감지하여 운영 문제를 식별하고 비용이 많이 드는 인시던트를 방지합니다.
오늘날의 AI 및 ML 워크로드를 지원하는 관련 오픈 소스 소프트웨어 라이브러리에 액세스하세요.
IBM Z의 제어 및 보안 하에 실시간 인사이트를 위한 고속 데이터 분석을 확보하세요.
AI가 유용성을 높이고 운영 성능을 개선하며 IBM Db2 시스템의 상태를 유지하는 방법을 알아보세요.
각주
1 고지 사항: 성능 결과는 IBM 내부 테스트에서 z/OS 3.1을 실행하는 6개의 CP와 256GB 메모리로 구성된 IBM z17 LPAR에서 수행한 결과에서 추정한 것입니다. 테스트에서는 AI용 통합 액셀러레이터를 활용하는 합성 신용 카드 사기 탐지 모델(https://github.com/IBM/ai-on-z-fraud-detection 에서 사용 가능)을 기반으로 하는 추론 작업과 함께 상대 중첩 강도가 낮은 CICS OLTP 신용 카드 거래 워크로드를 사용했습니다. 벤치마크는 추론 작업을 동시에 실행하는 32개의 스레드를 사용하여 수행되었습니다. 추론은 리버티 서버(v22.0.0.3)에서 호스팅되는 IBM z/OS(v3.2.0)용 머신 러닝을 사용하여 수행되었습니다. 또한 Machine Learning for z/OS에서 배치 크기가 8개인 추론 작업을 통해 서버 측 배칭이 활성화되었습니다. 결과는 경우에 따라 다를 수 있습니다.
2 고지 사항: 성능 결과는 IBM z16에서 트랜잭션 중 사기 탐지 기능을 사용해 실행한 IBM 내부 CICS OLTP 신용 카드 워크로드를 기반으로 합니다. Integrated Accelerator for AI를 사용하면서, 그리고 사용하지 않으면서 측정을 진행했습니다. 12개의 CP와 24개의 zIIP 및 256GB 메모리로 구성된 z/OS V2R4 LPAR이 사용되었습니다. 추론은 WebSphere Application Server Liberty 21.0.0.12에서 실행되는 Machine Learning for z/OS 2.4에서 합성 신용 카드 사기 탐지 모델(https://github.com/IBM/ai-on-z-fraud-detection)을 사용하여 수행되었습니다. 8개의 추론 작업 크기로 Machine Learning for z/OS에서 서버 측 일괄 처리가 활성화되었습니다. 결과는 경우에 따라 다를 수 있습니다.