IBM® Machine Learning for z/OS (MLz) ist eine Unternehmenslösung für maschinelles Lernen, die auf IBM® Z läuft. Sie bietet eine Web-Benutzeroberfläche (UI), verschiedene APIs und ein webbasiertes Administrations-Dashboard mit einer leistungsstarken Suite benutzerfreundlicher Tools für die Modellentwicklung und -bereitstellung, das Benutzermanagement und die Systemverwaltung.
Integrieren Sie Modelle für maschinelles Lernen und Deep Learning in Ihre z/OS-Anwendungen und liefern Sie Geschäftseinblicke in Echtzeit im großen Maßstab. Sie können Modelle einfach importieren, bereitstellen und überwachen, um aus jeder Transaktion einen Mehrwert zu erzielen und neue Ergebnisse für Ihr Unternehmen zu erzielen, während gleichzeitig die betrieblichen SLAs eingehalten werden.
Für mehr Flexibilität umfasst Machine Learning for z/OS zwei Editionen:
- IBM Machine Learning for IBM z/OS Enterprise Edition: bietet zahlreiche Verbesserungen der Benutzerfreundlichkeit, wie z. B. eine verbesserte Scoring-Leistung, eine neue Version der Spark- und Python-Laufzeiten für maschinelles Lernen und enthält ein GUI-geführtes Konfigurationstool und mehr.
- IBM Machine Learning for IBM z/OS Core Edition: eine leichtgewichtige Version von WMLz, die die wesentlichen Services auf Basis einer REST-API für maschinelle Lernvorgänge einschließlich Online-Scoring-Funktionen auf IBM Z bereitstellt.
Alle Editionen von IBM MLz können als eigenständige Lösung betrieben oder als skalierbare Plattform in Ihre betriebliche KI-Kapazität integriert werden.
Visualisierte Erklärungen von KI-Schlussfolgerungen können nativ in MLz aufgerufen werden
MLz Core
MLz Enterprise
Maximieren Sie die Leistung von IBM z16 und der Telum AIU. Verarbeiten Sie bis zu 228.000 z/OS CICS®-Kreditkartentransaktionen pro Sekunde mit einer Reaktionszeit von 6 ms1, jeweils mit einer Inferenzoperation zur Betrugserkennung während der Transaktion mithilfe eines Deep-Learning-Modells.
Ordnen Sie Anwendungen gemeinsam mit Inferenzanforderungen an, um durch Netzwerklatenz verursachte Verzögerungen zu minimieren.Dies führt zu einer bis zu 20-mal kürzeren Antwortzeit und einem bis zu 19-mal höheren Durchsatz im Vergleich zum Senden derselben Inferenzanforderungen an einen vergleichbaren x86-Cloud-Server mit einer durchschnittlichen Netzwerklatenz von 60 ms.2
Nutzen Sie vertrauenswürdige KI-Funktionalitäten wie Erklärbarkeit und überwachen Sie Ihre Modelle in Echtzeit auf Abweichung, Fairness- oder Erkennung systematischer Fehler und Zuverlässigkeit, um Ihre KI-Modelle unter z/OS für geschäftskritische Workloads verlässlich zu entwickeln und bereitzustellen.
Mit dem Update auf Version 3.1 bietet WMLz den Kunden und Lösungsanbietern mehr Flexibilität durch die Einführung von zwei neuen Angeboten – der Enterprise Edition und der Core Edition.
Erweiterte Edition mit verbesserter Scoring-Leistung, einer neuen Version der Spark- und Python-Laufzeiten für maschinelles Lernen und einem GUI-geführten Konfigurationstool und mehr.
Eine leichtgewichtige Version von WMLz, die die wesentlichen Services auf Basis einer REST-API für maschinelle Lernvorgänge einschließlich Online-Scoring-Funktionen auf IBM Z bereitstellt.
GUI-Konfiguration
Benutzeroberfläche (für Modellverwaltung und -bereitstellung, Admin-Dashboard)
Repository-Datenbank (integriert und Db2 for z/OS)
KI-Modell-Trainingstool (Integriertes Jupyter Notebook)
Spark ML-Runtime
Python ML-Runtime
SparkML- und PMML-Scoring-Runtime
Python- und ONNX-Scoring-Runtime
Inferenzservices – RESTful-Schnittstelle
Inferenzservices – native schnittstelle
Integriertes In-Transaktions-Scoring (CICS und IMS Apps)
Machine Learning für z/OS nutzt sowohl proprietäre als auch Open-Source-Technologien von IBM und setzt erforderliche Hardware und Software voraus.
- z16, z15, z14, z13 oder zEnterprise EC12 system
- z/OS 3.1, 2.5 oder 2.4
- IBM 64-bit SDK for z/OS Java Technology Edition Version 8 SR7, 11.0.17 oder höher
- IBM WebSphere Application Server for z/OS Liberty Version 22.0.0.9 oder höher
- Db2 12 for z/OS oder höher nur, wenn Sie Db2 for z/OS als Repository-Metadatendatenbank wählen
Nutzen Sie das Beste aus den Bereichen Mainframe und Cloud-Innovationen.
Identifizieren Sie Betriebsprobleme und vermeiden Sie kostspielige Vorfälle, indem Sie Unregelmäßigkeiten sowohl in Protokoll- als auch in Metrik-Daten erkennen.
Nutzen Sie eine Bibliothek mit relevanter Open-Source-Software zur Unterstützung moderner KI- und ML-Workloads.
Profitieren Sie von einem sicheren und skalierbaren Betriebssystem für geschäftskritische Anwendungen.
Optimieren Sie Verfügbarkeit, Sicherheit und Ausfallsicherheit und verbessern Sie gleichzeitig Leistung und Geschäftsergebnisse.
Erhalten Sie Hochgeschwindigkeits-Datenanalysen für Erkenntnisse in Echtzeit unter der Kontrolle und Sicherheit von IBM Z.
Erfahren Sie, wie KI die Benutzerfreundlichkeit verbessert, die Betriebsleistung optimiert und den Zustand von IBM® Db2® Systemen aufrechterhält.
Fußnoten
1 HAFTUNGSAUSSCHLUSS: Die Leistungsergebnisse wurden aus internen Tests von IBM hochgerechnet, bei denen eine CICS-Kreditkartentransaktions-Workload mit Inferenzoperationen auf einem IBM z16 ausgeführt wurde. Es wurde eine z/OS V2R4 LPAR mit 6 CPs und 256 GB Speicher verwendet. Die Inferenz wurde mit Machine Learning for z/OS 2.4 auf einem WebSphere Application Server Liberty 21.0.0.12 unter Verwendung eines synthetischen Kreditkarten-Betrugserkennungsmodells (https://github.com/IBM/ai-on-z-fraud-detection). und dem integrierten Beschleuniger für KI ausgeführt. Serverseitiges Batching wurde auf Machine Learning for z/OS mit einer Größe von 8 Inferenzoperationen aktiviert. Die Benchmark wurde mit 48 Threads ausgeführt, die Inferenzoperationen ausführten. Die Ergebnisse beziehen sich auf einen vollständig konfigurierten IBM z16 mit 200 CPs und 40 TB Speicher. Ergebnisse können variieren.
2 HAFTUNGSAUSSCHLUSS: Die Leistungsergebnisse wurden aus internen Tests von IBM hochgerechnet, bei denen eine CICS-OLTP-Kreditkartentransaktions-Workload mit Inferenzoperationen auf einem IBM z16 ausgeführt wurde. Die Messungen wurden mit und ohne den integrierten Beschleuniger für KI durchgeführt. Es wurde eine z/OS V2R4 LPAR mit 12 CPs, 24 zIIPs und 256 GB Speicher verwendet.Die Inferenz wurde mit Machine Learning for z/OS 2.4 auf einem WebSphere Application Server Liberty 21.0.0.12 unter Verwendung eines synthetischen Kreditkarten-Betrugserkennungsmodells (https://github.com/IBM/ai-on-z-fraud-detection). Serverseitiges Batching wurde auf Machine Learning for z/OS mit einer Größe von 8 Inferenzoperationen aktiviert. Ergebnisse können variieren.