Acelere sus insights empresariales a escala con IA transaccional en IBM z/OS
Plataforma de IA transaccional
Machine Learning for IBM z/OS (MLz) es una plataforma de IA transaccional que se ejecuta de forma nativa en IBM z/OS. Proporciona una interfaz de usuario (IU) web, varias interfaces de programación de aplicaciones (API) y un panel de administración web. El panel viene con un potente conjunto de herramientas fáciles de usar para el desarrollo y despliegue de modelos, gestión de usuarios y administración de sistemas.
Úselo con IBM z17 e IBM Telum II para ofrecer capacidad de IA transaccional. Procese hasta 228 000 transacciones de tarjetas de crédito z/OS CICS por segundo con un tiempo de respuesta de 6 ms, cada una con una operación de inferencia de detección de fraude en la transacción que usa un modelo de aprendizaje profundo.1
Coubique las aplicaciones con las peticiones de inferencias para ayudar a minimizar los retrasos causados por la latencia de la red. Esta opción reduce el tiempo de respuesta hasta 20 veces y aumenta el rendimiento hasta 19 veces en comparación con un servidor en la nube x86 con una latencia de red promedio de 60 ms.2
Utilice capacidades de IA confiables, como la explicabilidad, mientras supervisa sus modelos en tiempo real para detectar desviaciones. Desarrolle y despliegue con confianza sus modelos de IA en z/OS para transacciones de misión crítica y cargas de trabajo.
Importe, despliegue y supervise modelos con facilidad para obtener valor de cada transacción e impulse nuevos resultados para su empresa manteniendo los SLA operativos.
Características
La nueva edición mejorada de machine learning (ML) para IBM z/OS ofrece un mejor rendimiento de puntuación, una nueva versión de Spark y tiempos de ejecución de machine learning en Python, e incluye una herramienta de configuración guiada por interfaz gráfica y más.
- Inferencia en tiempo real: puntuación en la transacción a través de la interfaz nativa CICS y WOLA para aplicaciones CICS, IMS y BATCH COBOL e interfaz RESTful
- Compatibilidad con varios motores: SparkML, Python, PMML, IBM SnapML, Watson Core Time Series
- Gestión del ciclo de vida del modelo: interfaz de usuario (IU) guiada, servicios RESTful
- Telum II: modelos ONNX e IBM SnapML
- IA confiable: explicabilidad y monitoreo de desviaciones
Un entorno JupyterHub compartido permite a varios científicos de datos crear y entrenar modelos juntos en la plataforma z/OS, lo que mejora la colaboración y la productividad.
La supervisión mejorada y las visualizaciones más claras de los resultados de explicabilidad ayudan a garantizar que los modelos permanezcan abiertos, confiables y fáciles de interpretar durante el uso en producción.
MLz admite la puntuación de clasificación multiclase de alto rendimiento mediante el uso del acelerador de IA en chip en los sistemas IBM z Systems a través de Snap ML, lo que mejora la velocidad y la eficiencia de la inferencia del modelo.
MLz proporciona una plataforma segura, de nivel empresarial para el desarrollo, despliegue y gestión de modelos con IU web, API e integración con los kits de herramientas Spark y Python.
Datos técnicos
Machine Learning for z/OS utiliza tecnologías patentadas y de código abierto de IBM, y requiere hardware y software previos.
- z17, z16 o z15
- z/OS 3.2, 3.1 o 2.5
- IBM 64-Bit SDK for z/OS Java Technology Edition versión 8, 11 o 17
- IBM WebSphere Application Server for z/OS Liberty versión 22.0.0.9 o posterior
- Db2 13 for z/OS o posterior solo si elige Db2 for z/OS como base de datos de metadatos del repositorio
Productos relacionados
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.
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 y el rendimiento operativo, y mantiene el buen estado de los sistemas IBM DB2.
Notas de pie de página
1 DESCARGO DE RESPONSABILIDAD: El resultado del rendimiento se extrapola de pruebas internas de IBM realizadas en un LPAR IBM z17 configurado con 6 CP y 256 GB de memoria, que ejecuta z/OS 3.1. Las pruebas usaron una carga de trabajo de transacciones de tarjetas de crédito CICS OLTP con una intensidad de anidamiento relativa baja combinada con operaciones de inferencia basadas en un modelo sintético de detección de fraude de tarjetas de crédito (disponible en https://github.com/IBM/ai-on-z-fraud-detection) que aprovecha el acelerador integrado para IA. El punto de referencia se realizó con 32 hilos que ejecutaban operaciones de inferencia simultáneamente. La inferencia se llevó a cabo con Machine Learning for IBM z/OS (v3.2.0) alojado en un servidor Liberty (v22.0.0.3). Además, se habilitó el procesamiento por lotes del lado del servidor en Machine Learning for z/OS con un tamaño de lote de 8 operaciones de inferencia. Los resultados pueden variar.
2 DESCARGO DE RESPONSABILIDAD: Los resultados de rendimiento se basan en una carga de trabajo de tarjeta de crédito OLTP CICS interna de IBM con detección de fraude durante la transacción que se ejecuta en IBM z16. 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.