Watson Machine Learning-Pläne und -Rechenleistungsnutzung

Sie verwenden die in Capacity-Unit-Stunden (CUH) gemessenen Watson Machine Learning-Ressourcen beim Trainieren von AutoAI-Modellen, Ausführen von Deep-Learning-Experimenten und Anfordern von Vorhersagen aus bereitgestellten Modellen. In diesem Abschnitt werden die verschiedenen Pläne beschrieben, die Sie auswählen können, Sie erfahren, welche Services in die Pläne einbezogen sind und sehen eine Liste der Standardsystemumgebungen. Diese Informationen helfen Ihnen beim Auswählen des Plans, der Ihren Anforderungen entspricht. In diesem Abschnitt wird Folgendes beschrieben:

Capacity-Unit-Stunden (CUH)

CUH ist ein Maß für die Rechenressourcennutzung pro Einheitenstunde. Alle Watson Machine Learning-Pläne basieren auf Capacity-Unit-Stunden (CUHs), anhand derer sich die Ressourcennutzung einfacher verfolgen lässt.

Watson Machine Learning-Pläne

{: #wml-plan}Watson Machine Learning-Pläne regeln, wie von Ihnen mit Watson Machine Learning trainierte und bereitgestellte Modelle in Rechnung gestellt werden. Wählen Sie einen Ihren Anforderungen entsprechenden Plan aus:

  • Lite ist ein kostenloser Plan mit begrenzter Kapazität. Wählen Sie diesen Plan aus, wenn Sie Watson Machine Learning evaluieren und die Funktionalität testen.
  • Standard ist ein nutzungsabhängiger Plan, der Ihnen die Flexibilität bietet, Modelle zu erstellen, bereitzustellen und zu verwalten, die Ihren Anforderungen entsprechen.
  • Professional ist ein Enterprise-Plan mit hoher Kapazität, der alle Anforderungen eines Unternehmens an maschinelles Lernen unterstützt und zu einem Pauschalbetrag erhältlich ist. Wird der Professional-Plan in der Region 'Dallas' bereitgestellt, bietet er auch Unterstützung für HIPAA.

Informationen zu Tarifdetails und zur Preisgestaltung finden Sie unter IBM Cloud Machine Learning.

Anmerkung: Wenn Sie ein Upgrade von Standard auf Professional durchführen, können Sie kein Rollback auf einen Standardplan durchführen. Bitten Sie in diesem Fall den IBM Support um Unterstützung.

Pläne nach CUH

Plan Kapazitätseinheitenstunden eingeschlossen Überschreitung Max. Bereitstellungsjobs
pro Bereich
Lite 20 pro Monat Keine Überschreitung zulässig. 100
Standard Abrechnung pro Capacity-Unit-Stunde Abrechnung pro Capacity-Unit-Stunde 1.000
Professional 2500 Für zusätzlich verbrauchte Capacity-Unit-Stunden in Rechnung gestellt 3000 (Erhöhung auf Anfrage per Support)

Grenzwerte und Standardwerte für die Beibehaltung von Implementierungsjobs (Watson Machine Learning)

Watson Machine Learning begrenzt die Anzahl der Bereitstellungsjobs, die für jeden einzelnen Bereitstellungsbereich gespeichert werden. Wichtig ist, dass bei dieser Aktualisierung keine Ihrer Informationen verloren gehen, sondern Ihre Benutzererfahrung bei der Ausführung von Implementierungsjobs möglicherweise geändert werden muss.

Wenn Sie Ihren Grenzwert überschreiten, können Sie erst dann neue Implementierungsjobs erstellen, wenn Sie vorhandene Jobs löschen oder ein Upgrade für Ihren Plan durchführen. Die neue Automatisierung hilft Ihnen dabei, innerhalb der Plangrenzen zu bleiben. Standardmäßig werden die Metadaten für Jobs nach 30 Tagen automatisch gelöscht. Sie können diesen Wert überschreiben, wenn Sie einen Job erstellen. Siehe Jobs verwalten.

Watson Machine Learning-Rechenleistung und Preisgestaltung

Anmerkung: Ausführliche Informationen zur Preisstruktur finden Sie unter Watson Machine Learning: Preisstruktur

Details zur CUH-Verwendung

  • Die Machine Learning-Rechenleistung wird über die von einer aktiven Instanz für maschinelles Lernen verbrauchten Capacity-Unit-Stunden (CUH) berechnet.
  • Die Menge der pro Stunde verbrauchten Capacity-Units hängt von den Datenverarbeitungsanforderungen Ihre Machine Learning-Assets und -Modelle ab. Ein Modell mit einem großen und umfangreichen Dataset beispielsweise verbraucht mehr Trainingsressourcen als ein Modell mit einem kleineren und einfacheren Dataset. Beachten Sie, dass die Skalierung einer Implementierung zur Unterstützung mehrerer gleichzeitig angemeldeter Benutzer und Anforderungen auch den CUH-Verbrauch erhöht.
  • Da es so viele Variablen gibt, die sich auf den Ressourcenverbrauch für eine Implementierung auswirken, empfehlen wir Ihnen, Tests für Ihre Modelle und Implementierungen auszuführen, um den CUH-Verbrauch zu analysieren.
  • Die Rechenzeit wird bis auf die Millisekunde genau berechnet. Pro Operation gilt jedoch ein Mindestwert von einer Minute. Ein Trainingslauf, der nach 12 Sekunden abgeschlossen ist, wird also gegenüber dem Capacity-Unit-Stundenkontingent als eine Minute abgerechnet, während für einen Trainingslauf, der 83.555 Sekunden benötigt, genau dieser Wert abgerechnet wird.
  • Die Art und Weise, wie Online-Bereitstellungen Kapazitätseinheiten verbrauchen, basiert auf einem Framework. Für einige Frameworks wird CUH für die Anzahl der Stunden berechnet, die die Implementierungsressource in einem Implementierungsbereich aktiv ist. Beispiel: SPSS-Modelle im Onlinebereitstellungsmodus, die 24 Stunden täglich für sieben Tage pro Woche ausgeführt werden, verbrauchen Capacity-Unit-Stunden und werden für diesen Zeitraum berechnet. Es ist keine Leerlaufzeit für eine aktive Online-Implementierung vorhanden. Bei anderen Frameworks wird CUH nach Scoring-Dauer berechnet. Details zur Berechnung der CUH-Tabelle finden Sie in der Tabelle CUH-Tabelle.

Festlegen, ob eine Implementierung aktiv ist

Wenn eine Implementierung keine Scoring-Anforderungen für eine bestimmte Dauer empfängt, wird sie als inaktiv oder inaktiv behandelt, und die Fakturierung wird für alle anderen Frameworks als SPSS gestoppt. Der Zeitraum, in dem festgestellt wird, wann eine Implementierung inaktiv ist, hängt vom Plantyp ab.

Plantyp Zeit bis zum Leerlauf
Lite 1 Tag
Standard 30 Tage
Professional 30 Tage

CUH-Verbrauch nach Implementierungs-und Framework-Typ

Der CUH-Verbrauch wird mit Hilfe dieser Formeln berechnet:

Bereitstellungstyp Framework Berechnung der CUH
Online AutoAI, AI Funktion, SPSS, Scikit-Erfahren Sie benutzerdefinierte Bibliotheken, Tensorflow, RShiny deployment_active_duration no_of_nodes CUH_rate_for_capacity_type_framework
Online Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework
Batch Alle Frameworks job_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework

In den folgenden Tabellen wird die Berechnung der Capacity-Units pro Stunde für Umgebungen für maschinelles Lernen nach Nutzungstyp angezeigt.

Capacity-Units pro Stunde für Deep-Learning-Experimente

Kapazitätstyp Kapazitätseinheiten pro Stunde
1 (eine) NVIDIA K80 GPU 2
1 (eine) NVIDIA V100 GPU 10

Capacity-Units pro Stunde für das Trainieren, Evaluieren und Scoren von Modellen

Kapazitätstyp Kapazitätseinheiten pro Stunde
Besonders klein: 1x4 = 1 vCPU und 4 GB RAM 0.5
Klein: 2x8 = 2 vCPU und 8 GB RAM 1
Mittel: 4x16 = 4 vCPU und 16 GB RAM 2
Groß: 8x32 = 8 vCPU und 32 GB RAM 4
Besonders groß: 16x64 = 16 vCPU und 64 GB RAM 8

Capacity-Units pro Stunde für AutoAI-Experimente

Werden Daten für ein AutoAI-Experiment verknüpft, werden die Capacity-Units pro Stunde während des Verknüpfvorgangs für die Daten auf andere Art berechnet. Sobald die Daten verknüpft wurden, erfolgt die Berechnung der CUH-Nutzung wieder wie für ein Experiment mit einer einzelnen Datenquelle.

Kapazitätseinheiten pro Stunde für AutoAI-Experimente mit einer einzelnen Datenquelle:

Kapazitätstyp Kapazitätseinheiten pro Stunde
8 vCPU und 32 GB RAM 20

Kapazitätseinheiten pro Stunde für AutoAI-Experimente beim Verknüpfen von Daten:

Beachten Sie, dass sich der Verbrauch für jeden von Ihnen hinzugefügten Executor erhöht.

Kapazitätstyp Kapazitätseinheiten pro Stunde
Verknüpfung mit 1 Treiber: 2 vCPU and 8 GB RAM + 1 Executor: 2 vCPU und 8 GB RAM 10
Verknüpfung mit zusätzlichen Executors 5 CUH für jeden zusätzlichen Executor hinzufügen
Nach der Datenverknüpfung: 8 vCPU und 32 GB RAM 20

Capacity-Units pro Stunde für Decision Optimization

Kapazitätstyp Kapazitätseinheiten pro Stunde
Decision Optimization: 2 vCPU und 8 GB RAM 30
Decision Optimization: 4 vCPU und 16 GB RAM 40
Decision Optimization: 16 vCPU und 64 GB RAM 60

Details zur Verwendung von Ressourcen finden Sie unter Ressourcennutzung des Kontos überwachen

CUH-Nutzung für ein Konto verfolgen

Sie können die Laufzeitnutzung für ein Konto auf der Seite Umgebungslaufzeiten verfolgen, wenn Sie der IBM Cloud-Kontoeigner oder -Administrator oder der Watson Machine Learning-Serviceeigentümer sind. Details hierzu finden Sie unter Überwachungsressource.

CUH-Nutzung für maschinelles Lernen in einem Notebook verfolgen

Wenn Sie Capacity-Unit-Stunden berechnen möchten, verwenden Sie den folgenden Befehl:

CP =  client.service_instance.get_details()
CUH = CUH["entity"]["usage"]["capacity_units"]["current"]/(3600*1000)
print(CUH)

Beispiel:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

Rückgabe: 5,49 CUH

Details finden Sie im Abschnitt zu den Serviceinstanzen in der IBM Watson Machine Learning-API-Dokumentation.

Weitere Informationen

Übergeordneter Abschnitt: Watson Machine Learning