0 / 0
Torna alla versione inglese della documentazione
Piani Watson Machine Learning e utilizzo del calcolo
Piani Watson Machine Learning e utilizzo del calcolo

Piani Watson Machine Learning e utilizzo del calcolo

Utilizzi le risorse Watson Machine Learning , misurate in CUH (capacity unit hours), quando addestra i modelli AutoAI , esegui i modelli di machine learning e richiedi previsioni dai modelli distribuiti. Questo argomento descrive i vari piani che è possibile scegliere, quali servizi sono inclusi e fornisce un elenco di ambienti di calcolo predefiniti per aiutarti a selezionare un piano che corrisponda alle tue esigenze. Questo argomento descrive:

CUH (Capacity Unit Hours)

CUH è una misura del consumo di risorse di calcolo per unità oraria. Tutti i piani Watson Machine Learning sono consolidati in Capacity Unit Hours, rendendo più semplice il monitoraggio del consumo di risorse.

Piani Watson Machine Learning

I piani di Watson Machine Learning regolano la modalità di fatturazione per i modelli che vengono addestrati e distribuiti con Watson Machine Learning. Scegli un piano in base alle tue necessità:

  • Lite è un piano gratuito con capacità limitata. Scegliere questo piano se si sta valutando Watson Machine Learning e si desidera provare le funzioni.
  • Standard è un piano pay - as - you - go che ti offre la flessibilità di creare, distribuire e gestire modelli in base alle tue necessità.
  • Professional è un piano aziendale ad alta capacità, a tariffa unica, progettato per supportare tutte le esigenze di machine learning di un'azienda. Il piano Professional offre anche supporto per HIPAA se fornito nella regione di Dallas.

Per i dettagli del piano e i prezzi, vedi IBM Cloud Machine Learning.

Nota: se esegui l'upgrade da Standard a Professional, non puoi eseguire il rollback a un piano Standard. In questo caso, contattare il supporto IBM per assistenza.

Piani per CUH

Piano Capacity Unit Hours inclusa Importo eccedentario Numero massimo lavori di distribuzione
per spazio
Lite 20 al mese Nessuna eccedenza consentita 100
Standard Fatturato per CUH Fatturato per CUH 1000
Professional 2500 Addebitato per CUH supplementare consumato 3000 (aumento su richiesta tramite supporto)

Limiti e valori predefiniti 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 . È importante sottolineare che con questo aggiornamento, nessuna delle tue informazioni verrà persa, ma la tua esperienza utente durante l'esecuzione dei lavori di distribuzione potrebbe dover cambiare.

Se si supera il limite, non sarà possibile creare nuovi lavori di distribuzione finché non si eliminano i lavori esistenti o non si aggiorna il piano. La nuova automazione ti aiuterà a rimanere entro i limiti del piano. Per impostazione predefinita, i metadati dei job verranno eliminati automaticamente dopo 30 giorni. È possibile sovrascrivere questo valore durante la creazione di un lavoro. Consultare Gestione dei lavori.

Watson Machine Learning calcola l'utilizzo e i prezzi

Nota: per i dettagli completi sui prezzi, vedi Watson Machine Learning: Prezzi

Dettagli sull'utilizzo di CUH

  • L'utilizzo del calcolo Machine Learning viene calcolato in base al numero di CUH (Capacity Unit Ore) utilizzate da un'istanza di machine learning attiva.
  • La frequenza delle unità di capacità per ora utilizzate è determinata dai requisiti di elaborazione dei modelli e degli asset Machine Learning . Ad esempio, un modello con un insieme di dati complesso e di grandi dimensioni consumerà più risorse di addestramento rispetto a un modello con un insieme di dati più piccolo e più semplice. Tieni presente che il ridimensionamento di una distribuzione per supportare più utenti e richieste simultanei aumenta anche il consumo di CUH.
  • Poiché ci sono 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 viene calcolato in millisecondi. Tuttavia, c'è un minimo di un minuto per ogni operazione distinta. Vale a dire, un'esecuzione di addestramento che impiega 12 secondi viene fatturata come un minuto rispetto alla quota ora dell'unità di capacità, mentre un'esecuzione di addestramento che impiega 83,555 secondi viene fatturata esattamente come calcolata.
  • Il modo in cui le distribuzioni online utilizzano le unità di capacità è basato sul framework. Per alcuni framework, CUH viene 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 vengono eseguiti 24 ore al giorno per sette giorni alla settimana utilizzano CUH e vengono addebitati per tale periodo. Non esiste alcun tempo di inattività per una distribuzione in linea attiva. Per altri framework, CUH viene addebitato in base alla durata del punteggio. Consultare la tabella dei consumi CUH per i dettagli su come viene calcolato CUH.

Come determinare se una distribuzione è attiva

Se una distribuzione non riceve richieste di calcolo del punteggio per una data durata, viene considerata inattiva o inattiva e la fatturazione si arresta per tutti i framework diversi da SPSS. Il periodo utilizzato per stabilire 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

Utilizzo CUH per distribuzione e tipo di framework

Il consumo di CUH viene calcolato utilizzando queste formule:

Tipo di distribuzione Framework calcolo CUH
In linea AutoAI, AI function, SPSS, Scikit - Learn custom libraries, Tensorflow, RShiny deployment_active_duration no_of_nodes CUH_rate_for_capacity_type_framework
In linea Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework
Batch tutti i framework job_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework

Queste tabelle mostrano le unità di capacità per calcolo orario per gli ambienti di machine learning, per tipo di utilizzo.

Unità di capacità per ora per modelli di addestramento, valutazione o calcolo del punteggio

Tipo di capacità Unità di capacità per 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 RAM 2
Grande: 8x32 = 8 vCPU e 32 GB di RAM 4
Extra large: 16x64 = 16 vCPU e 64 GB RAM 8

 

Unità di capacità all'ora per esperimenti AutoAI

Quando i dati vengono uniti per un esperimento AutoAI , le unità di capacità per ora vengono calcolate in modo diverso quando i dati vengono uniti. Una volta uniti i dati, il consumo CUH ritorna ai calcoli per un esperimento con una sola origine dati.

 

Unità di capacità all'ora per gli esperimenti AutoAI utilizzando una singola origine dati:

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

 

Unità di capacità all'ora per esperimenti AutoAI durante l'unione dei dati:

Si noti che il consumo aumenta per ogni executor aggiunto.

Tipo di capacità Unità di capacità per ora
Unisciti con 1 Driver: 2 vCPU e 8 GB RAM + 1 Executor: 2 vCPU e 8 GB RAM 10
Unisciti con altri executor aggiungere 5 CUH per ogni executor aggiuntivo
Dopo l'unione dei dati: 8 vCPU e 32 GB di RAM 20

 

Unità di capacità all'ora per l'esperimento Decision Optimization

Questi piani si applicano agli esperimenti Decision Optimization eseguiti in Watson Studio.

Tipo di capacità Unità di capacità per ora
Decision Optimization: 2 vCPU e 8 GB RAM 6
Decision Optimization: 4 vCPU e 16 GB di RAM 7
Decision Optimization: 8 vCPU e 32 GB RAM 9
Decision Optimization: 16 VCPU e 64 GB RAM 13

 

Unità di capacità all'ora per Decision Optimization in Watson Machine Learning

Questi piani si applicano a Decision Optimization distribuito ed eseguito da Watson Machine Learning.

Tipo di capacità Unità di capacità per ora
Decision Optimization: 2 vCPU e 8 GB RAM 30
Decision Optimization: 4 vCPU e 16 GB di RAM 40
Decision Optimization: 8 vCPU e 32 GB RAM 50
Decision Optimization: 16 VCPU e 64 GB RAM 60

Per i dettagli su come vengono utilizzate le risorse, vedi Monitoraggio dell'utilizzo delle risorse dell'account

Tieni traccia dell'utilizzo CUH per un account

Puoi tenere traccia dell'utilizzo del runtime per un account nella pagina Runtime di ambiente se sei l'amministratore o il proprietario dell'account IBM Cloud o il proprietario del servizio Watson Machine Learning . Per i dettagli, consultare Monitoraggio della risorsa.

Traccia il consumo di CUH per il machine learning in un notebook

Per calcolare le ore dell'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, vedi la sezione Istanze di servizio della documentazione APIIBM Watson Machine Learning .

Ulteriori informazioni

Argomento principale Watson Machine Learning