تُعدّ منصة IBM MLz بيئة متكاملة للتعلّم الآلي في نظام IBM z/OS وتعمل أصلًا في نظام IBM z/OS، إذ تُوفر واجهة مستخدم ويب (UI) وواجهات برمجة تطبيقات (APIs) متنوعة ولوحة معلومات لإدارة الويب، مع مجموعة قوية من الأدوات سهلة الاستخدام لتطوير النماذج ونشرها وإدارة المستخدم وإدارة النظام.
استورد، انشر، وراقب النماذج بسهولة لتحقيق القيمة من كل معاملة ودفع نتائج جديدة لمؤسستك مع الحفاظ على اتفاقيات مستوى الخدمة التشغيلية (SLAs).
يقدِّم إصدار IBM Machine Learning for IBM z/OS Enterprise منصة ذكاء اصطناعي شاملة تغطي دورة الحياة بالكامل، وتتضمن ميزات مخصصة للمؤسسات مثل واجهات التقييم الأصلية لكلٍّ من CICS وIMS، وخدمات التقييم باستخدام Python وSpark، ودعم ONNX والمحول البرمجي للتعلم العميق، إلى جانب ميزات الذكاء الاصطناعي الموثوق به مثل الكشف عن الانحراف والتفسير.
يمكن تشغيل إصدار IBM Machine Learning for IBM z/OS Enterprise كحل مستقل أو دمجه ضمن قدرات الذكاء الاصطناعي المؤسسية كمنصة قابلة للتوسُّع.
استخدِم القوة غير المسبوقة لنظام IBM z17 وTelum II مع حل Machine Learning for z/OS لتقديم قدرات ذكاء اصطناعي مخصصة للمعاملات. عالِج ما يصل إلى 228 ألف معاملة بطاقات ائتمان في نظام z/OS CICS في الثانية بوقت استجابة يبلغ 6 مللي ثانية، وكل منها يحتوي على عملية استدلال للكشف عن الغش والاحتيال داخل المعاملة باستخدام نموذج التعلم العميق.1
يُمكنك تجميع التطبيقات مع طلبات الاستدلال لتقليل التأخير الناجم عن زمن انتقال الشبكة. وهذا يُوفر ما يصل إلى 20 مرة زمن استجابة أقل وما يصل إلى 19 مرة إنتاجية أعلى مقارنةً بإرسال طلبات الاستدلال نفسها إلى خادم سحابي x86 بمتوسط زمن انتقال شبكة يبلغ 60 ملّي ثانية.2
استخدم قدرات الذكاء الاصطناعي الجدير بالثقة، مثل قابلية التفسير ومراقبة نماذجك في الوقت الفعلي للكشف عن الانحراف لتطوير ونشر نماذج الذكاء الاصطناعي في المعاملات على نظام z/OS للمعاملات وأعباء العمل المهمة بثقة.
إنه إصدار محسّن يُقدم أداءً محسّنًا في التقييم، وإصدارًا جديدًا من أوقات تشغيل التعلّم الآلي باستخدام Spark وPython، ويشمل أداة تكوين موجهة بواجهة المستخدم وأكثر.
- الاستدلال في الوقت الفعلي: تنفيذ التقييم ضمن المعاملة من خلال واجهات CICS وWOLA الأصلية لتطبيقات CICS وIMS وBATCH COBOL، وواجهة RESTful.
- المحركات المدعومة: SparkML، وPython، وPMML، وIBM SnapML، وWatson Core Time Series.
- إدارة دورة حياة النموذج: واجهة مستخدم موجَّهة، وخدمات RESTful.
- Telum II: نماذج ONNX وIBM SnapML.
- الذكاء الاصطناعي الجدير بالثقة: القدرة على التفسير ومراقبة الانحراف.
يستخدم Machine Learning for z/OS تقنيات مملوكة لـ IBM وتقنيات مفتوحة المصدر، ويتطلب وجود أجهزة وبرمجيات متطلبات مسبقة.
- z17 أو z16 أو z15
- z/OS 3.2 أو 3.1 أو 2.5
- الإصدار 8 أو 11 أو 17 من IBM 64-bit SDK for z/OS Java Technology Edition
- خادم IBM WebSphere Application Server for z/OS Liberty، إصدار 22.0.0.9 أو أحدث
- الإصدار Db2 13 for z/OS أو إصدارًا أحدث فقط إذا تم اختيار Db2 for z/OS كقاعدة بيانات للبيانات الوصفية للمستودع.
الحواشي
1 إخلاء المسؤولية: تم استنتاج نتائج الأداء استنادًا إلى اختبارات داخلية أجرتها IBM على بيئة LPAR من IBM z17 مزوَّدة بـ 6 معالجات وذاكرة بسعة 256 جيجابايت، وتعمل بنظام z/OS 3.1. استخدمت الاختبارات عبء عمل معاملات بطاقات ائتمان عبر CICS OLTP منخفض الشدة النسبية للتداخل، مدمجًا مع عمليات استدلال تعتمد على نموذج اصطناعي للكشف عن الغش في بطاقات الائتمان (متاح على https://github.com/IBM/ai-on-z-fraud-detection) يستفيد من المسرِّع المتكامل للذكاء الاصطناعي. تم إجراء الاختبار المعياري باستخدام 32 سلسلة معالجة لتنفيذ عمليات الاستدلال بشكل متزامن. تم تنفيذ الاستدلال باستخدام Machine Learning for IBM z/OS (الإصدار 3.2.0) على خادم Liberty (الإصدار 22.0.0.3). بالإضافة إلى ذلك، تم تفعيل التجميع على جانب الخادم في Machine Learning for z/OS بحجم دفعة يبلغ 8 عمليات استدلال. وقد تختلف النتائج.
2 إخلاء المسؤولية: تستند نتائج الأداء إلى عبء عمل داخلي لدى IBM لمعالجة معاملات بطاقات الائتمان باستخدام CICS OLTP، مع الكشف عن الغش أثناء المعاملة، على نظام IBM z16. تم إجراء القياسات مع ودون استخدام المسرِّع المتكامل للذكاء الاصطناعي. تم استخدام بيئة LPAR على نظام z/OS V2R4 مكوّنة من 12 معالجًا (CP)، و24 معالج zIIP، و256 جيجابايت من الذاكرة. تم تنفيذ الاستدلال باستخدام Machine Learning for z/OS 2.4، على خادم WebSphere Application Server Liberty 21.0.0.12، بالاعتماد على نموذج اصطناعي للكشف عن الغش في بطاقات الائتمان (https://github.com/IBM/ai-on-z-fraud-detection). تم تفعيل التجميع على جانب الخادم في Machine Learning for z/OS بحجم دفعة يبلغ 8 عمليات استدلال. وقد تختلف النتائج.