IBM® Machine Learning for z/OS (MLz) es una solución de aprendizaje automático empresarial que se ejecuta en IBM® Z. Proporciona una interfaz de usuario (IU) web, varias API y un panel de administración web con una potente suite de herramientas fáciles de usar para el desarrollo y la implementación de modelos, la gestión de usuarios y la administración del sistema.
Infunda modelos de aprendizaje automático y aprendizaje profundo en sus aplicaciones z/OS y ofrezca insights de negocio en tiempo real a escala. Importe, despliegue y supervise modelos con facilidad para obtener valor de cada transacción e impulse nuevos resultados para su empresa manteniendo los SLA operativos.
Para una mayor flexibilidad, Machine Learning for z/OS incluye dos ediciones:
- IBM Machine Learning for IBM z/OS Enterprise Edition: ofrece muchas mejoras de usabilidad, como un mejor rendimiento de puntuación y una nueva versión de los tiempos de ejecución de aprendizaje automático Spark y Python, e incluye una herramienta de configuración guiada por GUI, entre otras.
- IBM Machine Learning for IBM z/OS Core Edition: una versión ligera de WMLz que proporciona los servicios esenciales basados en REST-API para las operaciones de aprendizaje automático, incluidas las capacidades de puntuación en línea en IBM Z.
Todas las ediciones de IBM MLz pueden ejecutarse como una solución independiente o integrarse en su capacidad de IA empresarial como una plataforma escalable.
Se puede acceder de forma nativa a las explicaciones visualizadas de las inferencias de IA en MLz
MLz Core
MLz Empresa
Maximice la potencia de IBM® z16 y Telum™ AIU. Procese hasta 228 000 transacciones de tarjetas de crédito z/OS CICS por segundo con un tiempo de respuesta de 6 ms1, cada una con una operación de inferencia de detección de fraude en la transacción que utiliza un modelo de aprendizaje profundo.
Coubique las aplicaciones con las peticiones de inferencias para ayudar a minimizar los retrasos causados por la latencia de la red. Esto ofrece un tiempo de respuesta hasta 20 veces inferior y un rendimiento hasta 19 veces superior frente al envío de las mismas peticiones de inferencia a un servidor comparado en la nube x86 con una latencia de red promedio de 60 ms.2
Aproveche las capacidades de la IA confiable, como la explicabilidad, y supervise sus modelos en tiempo real para detectar derivas, imparcialidad o sesgos, así como su robustez, para desarrollar y desplegar con confianza sus modelos de IA en z/OS para cargas de trabajo de misión crítica.
Con la actualización a la versión 3.1, MLz ofrece más flexibilidad a clientes y proveedores de soluciones con la introducción de dos nuevas ofertas: Enterprise Edition y Core Edition.
Edición mejorada que ofrece un rendimiento de puntuación mejorado y una nueva versión de los tiempos de ejecución de aprendizaje automático Spark y Python, e incluye una herramienta de configuración guiada por GUI, entre otras.
Una versión ligera de WMLz que proporciona los servicios esenciales basados en REST-API para operaciones de aprendizaje automático, incluidas capacidades de puntuación en línea en IBM Z.
Configuración de la interfaz gráfica de usuario
IU (para gestión y despliegue de modelos, panel de administrador)
Base de datos del repositorio (integrada y Db2 for z/OS)
Herramienta de entrenamiento de modelos de IA (Jupyter Notebook integrado)
Tiempo de ejecución de aprendizaje automático (ML) Spark
Tiempo de ejecución de aprendizaje automático (ML) de Python
Tiempo de tiempo de ejecución de SparkML y PMML
Tiempo de ejecución de puntuación de Python y ONNX
Servicios de inferencia – Interfaz RESTful
Servicios de inferencia – Interfaz nativa
Puntuación integrada en las transacciones (aplicaciones CICS e IMS)
Machine Learning for z/OS utiliza tecnologías patentadas y de código abierto de IBM, y requiere hardware y software de requisitos previos.
- Sistema z16, z15, z14, z13 o zEnterprise EC12
- z/OS 3.1, 2.5 o 2.4
- IBM® 64-bit SDK for z/OS Java Technology Edition versión 8 SR7, 11.0.17 o posterior
- IBM WebSphere Application Server for z/OS Liberty versión 22.0.0.9 o posterior
- Db2 12 for z/OS o posterior solo si elige Db2 for z/OS como base de datos de metadatos del repositorio
Aproveche lo mejor del mainframe y la innovación de la nube.
Identifique problemas operativos y evite incidentes costosos detectando anomalías tanto en los datos de registro como en los de métricas.
Acceda a una biblioteca de software de código abierto relevante para admitir las cargas de trabajo actuales de IA y aprendizaje automático.
Aproveche un sistema operativo rico en seguridad y escalable para ejecutar aplicaciones de misión crítica.
Aumente la disponibilidad, la seguridad y la resiliencia a la vez que mejora el rendimiento y los resultados empresariales.
Obtenga análisis de datos de alta velocidad para obtener insights en tiempo real bajo el control y la seguridad de IBM Z.
Descubra cómo la IA mejora la usabilidad, mejora el rendimiento operativo y mantiene la salud de los sistemas IBM® DB2.
Notas de pie de página
1 DE RESPONSABILIDAD: Los resultados de rendimiento se ha extrapolado a partir de pruebas internas de IBM ejecutando una carga de trabajo de tarjetas de crédito CICS con operaciones de inferencia en un IBM z16. Se utilizó una LPAR z/OS V2R4 configurada con 6 CP y 256 GB de memoria. La inferencia se realizó con Machine Learning for z/OS 2.4 que se ejecuta en WebSphere Application Server Server Liberty 21.0.0.12 mediante un modelo sintético de detección de fraudes con tarjetas de crédito (https://github.com/IBM/ai-on-z-fraud-detection) y el acelerador integrado para IA. Se habilitó el proceso por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de 8 operaciones de inferencia. La prueba de referencia se ejecutó con 48 hilos realizando operaciones de inferencia. Los resultados representan un IBM z16 completamente configurado con 200 CP y 40 TB de almacenamiento. Los resultados pueden variar.
2 EXENCIÓN DE RESPONSABILIDAD: Los resultados de rendimiento se basan en una carga de trabajo de tarjeta interna de IBM con detección de fraude en la transacción que se ejecuta en IBM z2. Las mediciones se realizaron con y sin el acelerador integrado para IA. Se utilizó una LPAR z/OS V2R4 configurada con 12 CP, 24 zIIP y 256 GB de memoria. La inferencia se realizó con Machine Learning for z/OS 2.4 que se ejecuta en WebSphere Application Server Liberty 21.0.0.12 mediante un modelo sintético de detección de fraudes con tarjetas de crédito (https://github.com/IBM/ai-on-z-fraud-detection). Se habilitó el proceso por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de 8 operaciones de inferencia. Los resultados pueden variar.