0 / 0
Torna alla versione inglese della documentazione
Watson Machine Learning piani e utilizzo compatte
Watson Machine Learning piani e utilizzo compatte

Watson Machine Learning piani e utilizzo compatte

Si utilizzano le risorse Watson Machine Learning , misurate nelle ore di unità di capacità (CUH), quando si allenano i modelli AutoAI , eseguire esperimenti di deep learning e richiedere previsioni dai modelli distribuiti. Questo argomento descrive i vari piani che puoi scegliere, quali servizi sono inclusi e fornisce un elenco di ambienti di calcolo predefiniti per aiutarti a selezionare un piano che corrisponde alle tue esigenze. Questo argomento descrive:

CUH (Capacity Unit Hours)

CUH è una misura di consumo di risorse compatte per unità ora. Tutti i piani di Watson Machine Learning sono consolidati attorno a Capacity Unit Hours, rendendo più facile il consumo di risorse.

Watson Machine Learning piani

I piani Watson Machine Learning governano come si è fatturati per i modelli che si allenano e si distribuiscono con Watson Machine Learning. Scegli un piano in base alle tue esigenze:

  • Lite è un piano gratuito con capacità limitata. Scegli questo piano se stai valutando Watson Machine Learning e vuoi provare le funzionalità.
  • Standard è un piano pay-as-you-go che ti dà la flessibilità di costruire, distribuire e gestire modelli per abbinare le tue esigenze.
  • Professional è un piano enterprise ad alta capacità, progettato per supportare tutte le esigenze di apprendimento automatico di un'organizzazione. Il Piano Professionale offre anche il supporto per HIPAA se provisita nella regione di Dallas.

Per i dettagli del piano e la tariffazione, consultare IBM Cloud Machine Learning.

Nota: Se si aggiorna da Standard a Professional, non è possibile effettuare il roll back su un piano Standard. In questo caso, contattare il supporto IBM per l'assistenza.

Piani di CUH

Piano Unità di capacità incluse Importo eccedentario Massimo lavoro di distribuzione
per spazio
Lite 20 al mese Nessun superamento consentito 100
Standard Fatturati per CUH Fatturati per CUH 1000
Professional 2500 Fatturati per CUH extra consumati 3000 (aumento per richiesta tramite supporto)

Limiti e impostazioni predefinite per la conservazione dei lavori di distribuzione (Watson Machine Learning)

Watson Machine Learning pone dei limiti sul numero di lavori di distribuzione conservati per ogni singolo spazio di distribuzione. Soprattutto, con questo aggiornamento, nessuna delle tue informazioni verrà persa, ma la tua esperienza utente durante l'esecuzione dei lavori di distribuzione potrebbe essere necessario cambiare.

Se si supera il limite, non sarà possibile creare nuovi lavori di distribuzione fino a cancellare i lavori esistenti o aggiornare il proprio piano. La nuova automazione ti aiuterà a rimanere entro i limiti del piano. Per impostazione predefinita, i metadati dei lavori saranno automaticamente cancellati dopo 30 giorni. È possibile sovrascrivere questo valore quando si crea un lavoro. Consultare Gestione dei lavori.

Watson Machine Learning calcola l'utilizzo e la tariffazione

Nota: Per i dettagli completi sul pricing, consultare Watson Machine Learning: Prezzi

Dettagli di utilizzo CUH

  • L'utilizzo compatto di Machine Learning viene calcolato dal numero di ore di unità di capacità (CUH) consumate da un'istanza di machine learning attiva.
  • La velocità delle unità di capacità all'ora consumate è determinata dai requisiti di calcolo dei tuoi asset e modelli Machine Learning . Ad esempio, un modello con un grande set di dati complessi consuma più risorse di formazione di un modello con un dataset più piccolo e più semplice. Notare che scalare una distribuzione per supportare più utenti contemporanei e richieste aumenta anche il consumo CUH.
  • Poiché ci sono così tante variabili che influenzano il consumo di risorse per una distribuzione, ti consigliamo di eseguire test sui tuoi modelli e distribuzioni per analizzare il consumo CUH.
  • Il tempo di calcolo è calcolato al millisecondo. Tuttavia, vi è un minimo di un minuto per ogni operazione distinta. Ovvero un run di formazione che impiega 12 seconds secondi viene fatturato come un minuto verso la quota di unità di capacità, mentre un allenamento che impiega 83,555 secondi viene fatturato esattamente come calcolato.
  • Il modo in cui le distribuzioni online consumano unità di capacità si basa sul framework. Per alcuni quadri, CUH è addebitato per il numero di ore in cui l'asset di distribuzione è attivo in uno spazio di distribuzione. Ad esempio, i modelli SPSS in modalità di distribuzione online che eseguono 24 ore al giorno per sette giorni a settimana consumano CUH e sono caricati per quel periodo. Non c'è tempo di inattività per una distribuzione online attiva. Per altri quadri, CUH è addebitato in base alla durata di punteggio. Vedi tabella di consumo CUH per i dettagli su come viene calcolato CUH.

Determinazione se una distribuzione è attiva

Se una distribuzione non riceve richieste di punteggio per una determinata durata, viene trattata come inattivo, o inattivo e si arresta per tutti i quadri diversi da SPSS. Il periodo utilizzato per determinare quando una distribuzione è inattiva dipende dal tipo di piano.

Tipo di piano Tempo di inattività
Lite 1 giorno
Standard 3 giorni
Professional 3 giorni

Consumo CUH per distribuzione e tipo di framework

Il consumo di CUH è calcolato utilizzando queste formule:

Tipo di distribuzione Framework Calcolo CUH
In linea AutoAI, AI function, SPSS, Scikit - Learn librerie personalizzate, Tensorflow, RShiny distribuito_attiva_durata no_of_nodi CUH_rate_for_capacity_type_framework
In linea Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_durata_in_secondi no_of_nodi CUH_rate_for_capacity_type_framework
Batch tutti i quadri job_duration_in_seconds no_of_nodi CUH_rate_for_capacity_type_framework

Queste tabelle mostrano le unità di capacità per il calcolo dell'ora per gli ambienti di machine learning, per tipologia di utilizzo.

Unità di capacità all'ora per esperimenti di apprendimento profondo

Tipo di capacità Unità di capacità all'ora
1 (una) NVIDIA K80 GPU 2
1 (una) NVIDIA V100 GPU 10

 

Unità di capacità all'ora per i modelli di formazione, valutazione o punteggio

Tipo di capacità Unità di capacità all'ora
Extra piccolo: 1x4 = 1 vCPU e 4 GB di RAM 0,5
Piccolo: 2x8 = 2 vCPU e 8 GB di RAM 1
Medio: 4x16 = 4 vCPU e 16 GB di RAM 2
Grande: 8x32 = 8 vCPU e 32 GB di RAM 4
Extra large: 16x64 = 16 vCPU e 64 GB di RAM 8

 

Unità di capacità all'ora per esperimenti AutoAI

Quando i dati vengono uniti per un esperimento AutoAI , le unità di capacità all'ora vengono calcolate in modo diverso man mano che i dati vengono uniti. Una volta che i dati sono uniti, il consumo CUH ritorna ai calcoli per un esperimento con una singola fonte di dati.

 

Unità di capacità per ora per esperimenti AutoAI utilizzando un'unica fonte di dati:

Tipo di capacità Unità di capacità all'ora
8 vCPU e 32 GB di RAM 20

 

Unità di capacità per ora per esperimenti AutoAI mentre si congiunge i dati:

Da notare che i consumi aumentano per ogni esecutore aggiungi.

Tipo di capacità Unità di capacità all'ora
Unire con 1 Driver: 2 vCPU e 8 GB RAM + 1 Esecuzione: 2 vCPU e 8 GB di RAM 10
Unire con ulteriori esecutori aggiungere 5 CUH per ogni esecutore aggiuntivo
Dopo l'unione dei dati: 8 vCPU e 32 GB di RAM 20

 

Unità di capacità all'ora per Decision Optimization

Tipo di capacità Unità di capacità all'ora
Decision Optimization: 2 vCPU e 8 GB di RAM 30
Decision Optimization: 4 vCPU e 16 GB di RAM 40
Decision Optimization: 16 vCPU e 64 GB di RAM 60

Per i dettagli su come vengono consumate le risorse, consultare Utilizzo delle risorse dell'account di monitoraggio

Traccia l'utilizzo CUH per un account

È possibile tracciare l'utilizzo di runtime per un account sulla pagina Tempi di ambiente se si è il proprietario dell'account IBM Cloud o l'amministratore o il proprietario del servizio Watson Machine Learning . Per i dettagli, consultare risorsa di monitoraggio.

Track CUH consumo per l'apprendimento automatico in un notebook

Per calcolare le ore di unità di capacità, utilizzare:

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

Ad esempio:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

restituisce 5,49 CUH

Per i dettagli, consultare la sezione Istanze di servizio della documentazione IBM Watson Machine Learning API .

Ulteriori informazioni

Argomento principale: Watson Machine Learning