Machine Learning for IBM z/OS (MLz) est une plateforme d’IA transactionnelle qui s’exécute nativement sur IBM z/OS. Elle fournit une interface utilisateur Web, diverses API et un tableau de bord d’administration Web avec une suite puissante d’outils faciles à utiliser pour le développement et le déploiement de modèles, la gestion des utilisateurs et l’administration système.
Importez, déployez et surveillez facilement les modèles afin de valoriser chaque transaction et d’obtenir de nouveaux résultats pour votre entreprise, tout en gérant les accords de niveau de service opérationnels.
Pour une plus grande flexibilité, Machine Learning for z/OS se décline en deux éditions :
Toutes les éditions d’IBM Machine Learning for IBM z/OS peuvent être exécutées en tant que solution autonome ou intégrées à la capacité d’IA de votre entreprise en tant que plateforme évolutive.
Rejoignez-nous pour découvrir les dernières fonctionnalités et applications concrètes lors de notre webinaire exclusif.
Les explications visualisées des inférences de l'IA sont accessibles en mode natif dans MLz
MLz Core
MLz Enterprise
Tirez parti de la puissance sans précédent d’IBM z16 et de l’AIU de Telum avec la solution logicielle Machine Learning for z/OS pour bénéficier de capacités d’IA transactionnelle. Traitez jusqu’à 228 000 transactions de cartes de crédit z/OS CICS par seconde avec un temps de réponse de 6 ms, chacune intégrant une opération d’inférence de détection des fraudes utilisant un modèle d’apprentissage profond.1
Regroupez les applications avec les requêtes d’inférence afin de réduire les retards liés à la latence du réseau. Cela permet de diviser par 20 le temps de réponse et de multiplier par 19 le débit par rapport à l’envoi des mêmes requêtes d’inférence à un serveur cloud x86 similaire, avec une latence moyenne du réseau de 60 ms2.
Exploitez les capacités de l’IA digne de confiance comme l’explicabilité et surveillez vos modèles en temps réel pour détecter les dérives afin de développer et de déployer en toute confiance vos modèles d’IA transactionnelle sur z/OS pour des transactions et des workloads stratégiques.
Une édition améliorée qui offre de meilleures performances de scoring, une nouvelle version des moteurs d’exécution Spark et Python pour le machine learning ainsi qu’un outil de configuration guidé par l’interface graphique, et plus encore.
Une version simplifiée de WMLz fournissant les services essentiels basés sur REST-API pour les opérations de machine learning, y compris les capacités de scoring en ligne sur IBM Z.
Expérience de configuration
Interface utilisateur guidée
Scripts, workflow z/OSMF
Base de données du référentiel
Db2 for IBM z/OS, intégré (Derby for z/OS)
Db2 for IBM z/OS, intégré (Derby for z/OS)
Moteur de scoring
Spark, Python, PMML, IBM Snap ML, Watson Core Time Series
Spark, PMML, IBM Snap ML, Watson Core Time Series
Interface d’inférence
Scoring intégré à la transaction avec des interfaces natives pour CICS et IMS, interface RESTful
Interface RESTful
Gestion du cycle de vie des modèles
Interface utilisateur guidée, services RESTful
Services RESTful
Formats de modèle d’IA pris en charge
Spark, Python, PMML, ONNX
Spark, PMML
Accélération de l'IA sur puce z16
Modèles ONNX et IBM Snap ML
Modèles IBM Snap ML
Outil d’entraînement des modèles d’IA
JupyterHUB intégré
Une IA digne de confiance
Explicabilité et détection des dérives
* Les prix mentionnés sont donnés à titre indicatif, peuvent varier selon le pays, s’entendent hors taxes et frais de douane applicables et sont soumis à la disponibilité de l’offre de produit dans le pays concerné.
Essayez cette version simple et gratuite pour découvrir IBM Machine Learning for z/OS, qui permet le scoring des transactions pour les modèles d’apprentissage profond. Cette fonctionnalité peut apporter une valeur ajoutée significative à l’IA dans des domaines commerciaux essentiels tels que la détection des fraudes, la perte de clients, l’approbation des prêts et les performances opérationnelles. Intégrez des modèles d’apprentissage profond à vos applications transactionnelles sur IBM Z, en particulier lorsque chaque milliseconde compte.
Machine Learning for z/OS utilise à la fois des technologies IBM propriétaires et open source et nécessite du matériel et des logiciels prérequis.
Identifiez les problèmes opérationnels et évitez les incidents coûteux en détectant les anomalies dans les journaux et les données d'indicateurs.
Accédez à une bibliothèque de logiciels open source pertinents pour prendre en charge les workloads d’IA et de ML modernes.
Utilisez un système d’exploitation sécurisé et évolutif pour exécuter des applications essentielles.
Renforcez la disponibilité, la sécurité et la résilience tout en améliorant les performances et les résultats métier.
Bénéficiez d’analyses à grande vitesse des données de votre entreprise pour obtenir des informations en temps réel sous le contrôle et la sécurité d’IBM Z.
Découvrez comment l’IA améliore la convivialité, les performances opérationnelles et la santé des systèmes IBM Db2.
1 CLAUSE DE PROTECTION : les résultats de performance sont extrapolés à partir de tests internes d’IBM exécutant une workload de transaction de carte de crédit CICS avec des opérations d’inférence sur un IBM z16. Une partition z/OS V2R4 configurée avec 6 CP et 256 Go de mémoire a été utilisée. L’inférence a été réalisée avec Machine Learning for z/OS 2.4 fonctionnant sur WebSphere Application Server Liberty 21.0.0.12, en utilisant un modèle synthétique de détection des fraudes à la carte de crédit (https://github.com/IBM/ai-on-z-fraud-detection) et l’accélérateur intégré pour l’IA. La création de lots côté serveur a été activée sur Machine Learning for z/OS avec une taille de 8 opérations d’inférence. Le test de performances a été exécuté avec 48 unités d’exécution effectuant des opérations d’inférence. Les résultats représentent un IBM z16 entièrement configuré avec 200 CP et 40 To de stockage. Les résultats peuvent varier.
2 CLAUSE DE PROTECTION : les résultats de performance sont basés sur un workload interne de carte de crédit OLTP CICS avec une détection des fraudes intégrée aux transactions fonctionnant sur IBM z16. Les mesures ont été effectuées avec et sans l’accélérateur intégré pour l’IA. Une partition z/OS V2R4 configurée avec 12 CP, 24 zIIP et 256 Go de mémoire a été utilisée. L’inférence a été réalisée avec Machine Learning for z/OS 2.4 fonctionnant sur WebSphere Application Server Liberty 21.0.0.12, en utilisant un modèle synthétique de détection des fraudes à la carte de crédit (https://github.com/IBM/ai-on-z-fraud-detection). La création de lots côté serveur a été activée sur Machine Learning for z/OS avec une taille de 8 opérations d’inférence. Les résultats peuvent varier.