0 / 0
Volver a la versión inglesa de la documentación
Uso de cálculo y planes de Watson Machine Learning
Uso de cálculo y planes de Watson Machine Learning

Uso de cálculo y planes de Watson Machine Learning

Utilice los recursos de Watson Machine Learning , medidos en horas de unidad de capacidad (CUH), cuando entrene modelos de AutoAI , ejecute modelos de aprendizaje automático y solicite predicciones a partir de modelos desplegados. En este tema se describen los distintos planes que puede elegir y los servicios que se incluyen, y proporciona una lista de los entornos de cálculo predeterminados para ayudarle a seleccionar un plan que coincida con sus necesidades. En este tema se describe lo siguiente:

Horas de unidad de capacidad (CUH)

CUH es una medida de consumo de recursos de cálculo por hora de unidad. Todos los planes de Watson Machine Learning se consolidan en torno a Horas de unidad de capacidad, lo que facilita mucho el seguimiento del consumo de recursos.

Planes de Watson Machine Learning

Los planes de Watson Machine Learning controlan cómo se le facturan los modelos que entrena y despliega con Watson Machine Learning. Seleccione un plan basado en sus necesidades:

  • Lite es un plan gratuito con capacidad limitada. Seleccione este plan si está evaluando Watson Machine Learning y desea probar las prestaciones.
  • Standard es un plan de pago por uso que le ofrece la flexibilidad necesaria para crear, desplegar y gestionar modelos que se ajusten a sus necesidades.
  • Profesional es un plan de empresa de alta capacidad y cuota fija diseñado para dar soporte a todas las necesidades de aprendizaje automático de una organización. El plan Professional también ofrece soporte para HIPAA si se suministra en la región de Dallas.

Para obtener más detalles sobre planes y precios, consulte IBM Cloud Machine Learning.

Nota: si actualiza de Standard a Professional, no puede retrotraer a un plan Standard. En este caso, póngase en contacto con el equipo de soporte de IBM para obtener ayuda.

Planes por CUH

Plan Horas de unidad de capacidad incluidas Promedio Máximo de trabajos de despliegue
por espacio
Lite 20 al mes No se permite promedio 100
Standard Facturado por CUH Facturado por CUH 1000
Professional 2500 Facturado por CUH adicionales consumidas 3000 (aumentar por solicitud a través del soporte)

Límites y valores predeterminados para conservar los trabajos de despliegue (Watson Machine Learning)

Watson Machine Learning limita el número de trabajos de despliegue conservados para cada espacio de despliegue individual. Es importante subrayar que, con esta actualización, no se perderá ninguna información, pero la experiencia del usuario al ejecutar trabajos de despliegue debería cambiar.

Si supera el límite, no podrá crear nuevos trabajos de despliegue hasta que suprima los trabajos existentes o actualice el plan. La nueva automatización le ayudará a permanecer dentro de los límites del plan. De forma predeterminada, los metadatos de trabajo se suprimirán automáticamente al cabo de 30 días. Puede alterar temporalmente este valor al crear un trabajo. Consulte Gestión de trabajos.

Uso y precio de cálculo de Watson Machine Learning

Nota: para obtener detalles completos sobre la fijación de precios, consulte Watson Machine Learning: Precios

Detalles de uso de CUH

  • El uso del cálculo de Machine Learning se calcula por el número de horas de unidad de capacidad (CUH) consumidas por una instancia activa de Machine Learning.
  • La tasa de unidades de capacidad por hora consumida viene determinada por los requisitos de cálculo de los activos y modelos de Machine Learning. Por ejemplo, un modelo con un conjunto de datos grande y complejo consumirá más recursos de entrenamiento que un modelo con un conjunto de datos más pequeño y sencillo. Tenga en cuenta que ampliar un despliegue para dar soporte a más usuarios y solicitudes simultáneos también aumenta el consumo de CUH.
  • Como hay tantas variables que afectan el consumo de recursos en un despliegue, le recomendamos que ejecute pruebas en sus modelos y despliegues para analizar el consumo de CUH.
  • El tiempo de cálculo se calcula al milisegundo. Sin embargo, hay un mínimo de un minuto para cada operación distinta. Es decir, una ejecución de entrenamiento que tarda 12 segundos se factura como un minuto para la cuota de hora de unidad de capacidad, mientras que una ejecución de entrenamiento que tarda 83,555 segundos se factura exactamente como se ha calculado.
  • La forma en que los despliegues en línea consumen unidades de capacidad se basa en la infraestructura. En algunas infraestructuras, CUH se carga por el número de horas que el activo de despliegue está activo en un espacio de despliegue. Por ejemplo, los modelos de SPSS en modalidad de despliegue en línea que se ejecutan 24 horas al día durante siete días a la semana consumen CUH y se le cobrará por ese periodo. No hay tiempo de inactividad para un despliegue en línea activo. Para otras infraestructuras, CUH se carga de acuerdo con la duración de la puntuación. Consulte la tabla de consumo de CUH para obtener detalles sobre cómo se calcula CUH.

Determinar si un despliegue está activo

Si un despliegue no recibe solicitudes de puntuación durante una duración determinada, se trata como inactivo o desocupado y la facturación se detiene para todas las infraestructuras distintas de SPSS. El periodo que se utiliza para determinar cuándo un despliegue está inactivo depende del tipo de plan.

Tipo de plan Tiempo de inactividad
Lite 1 día
Standard 3 días
Professional 3 días

Consumo de CUH por el despliegue y el tipo de infraestructura

El consumo de CUH se calcula utilizando estas fórmulas:

Tipo de despliegue Infraestructura Cálculo de CUH
En línea AutoAI, función AI, SPSS, bibliotecas personalizadas Scikit-Learn, Tensorflow, RShiny deployment_active_duration no_of_nodes CUH_rate_for_capacity_type_framework
En línea Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_seconds no_de_nodos CUH_rate_for_capacity_type_framework
Por lotes todas las infraestructuras job_duration_in_seconds no_de_nodos CUH_rate_for_capacity_type_framework

Estas tablas muestran el cálculo de las unidades de capacidad por hora para los entornos de aprendizaje automático, por tipo de uso.

Unidades de capacidad por hora para modelos de entrenamiento, evaluación o puntuación

Tipo de capacidad Unidades de capacidad por hora
Extra pequeño: 1x4 = 1 vCPU y 4 GB de RAM 0,5
Pequeño: 2x8 = 2 vCPU y 8 GB de RAM 1
Mediano: 4x16 = 4 vCPU y 16 GB de RAM 2
Grande: 8x32 = 8 vCPU y 32 GB de RAM 4
Extra grande: 16x64 = 16 vCPU y 64 GB de RAM 8

 

Unidades de capacidad por hora para experimentos de IA automática

Cuando se unen datos para un experimento de IA automática, las unidades de capacidad por hora se calculan de un modo diferente a medida que los datos se van uniendo. Cuando los datos se unen, el consumo CUH revierte a los cálculos para un experimento con un origen de datos único.

 

Unidades de capacidad por hora para experimentos de IA automático utilizando un único origen de datos:

Tipo de capacidad Unidades de capacidad por hora
8 vCPU y 32 GB de RAM 20

 

Unidades de capacidad por hora para experimentos de IA automático al unir datos:

Tenga en cuenta que el consumo se incrementa con cada ejecutor que añade.

Tipo de capacidad Unidades de capacidad por hora
Unión con 1 controlador: 2 vCPU y 8 GB RAM + 1 ejecutor: 2 vCPU y 8 GB RAM 10
Unión con ejecutores adicionales se añaden 5 CUH por cada ejecutor adicional
Tras la unión de los datos: 8 vCPU y 32 GB RAM 20

 

Unidades de capacidad por hora para el experimento de Decision Optimization

Estos planes se aplican a los experimentos de Decision Optimization ejecutados en Watson Studio.

Tipo de capacidad Unidades de capacidad por hora
Decision Optimization: 2 vCPU y 8 GB de RAM 6
Decision Optimization: 4 vCPU y 16 GB de RAM 7
Decision Optimization: 8 vCPU y 32 GB de RAM 9
Decision Optimization: 16 vCPU y 64 GB de RAM 13

 

Unidades de capacidad por hora para Decision Optimization en Watson Machine Learning

Estos planes se aplican a Decision Optimization desplegado y ejecutado desde Watson Machine Learning.

Tipo de capacidad Unidades de capacidad por hora
Decision Optimization: 2 vCPU y 8 GB de RAM 30
Decision Optimization: 4 vCPU y 16 GB de RAM 40
Decision Optimization: 8 vCPU y 32 GB de RAM 50
Decision Optimization: 16 vCPU y 64 GB de RAM 60

Para obtener más detalles sobre cómo se consumen los recursos, consulte Supervisión del uso de recursos de la cuenta.

Seguimiento del uso de CUH para una cuenta

Puede realizar un seguimiento del uso de tiempo de ejecución para una cuenta en la página Tiempos de ejecución de entorno si es el propietario o el administrador de la cuenta de IBM Cloud o el propietario del servicio de Watson Machine Learning. Para obtener más detalles, consulte Supervisión de recursos.

Seguimiento del consumo de CUH para aprendizaje automático en un cuaderno

Para calcular las horas de unidad de capacidad, utilice:

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

Por ejemplo:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

returns 5.49 CUH

Para obtener más detalles, consulte la sección Instancias de servicio de la documentación API de IBM Watson Machine Learning.

Más información

Tema principal: Watson Machine Learning