0 / 0
Wróć do wersji angielskiej dokumentacji
Watson Machine Learning planuje i oblicza wykorzystanie
Watson Machine Learning planuje i oblicza wykorzystanie

Watson Machine Learning planuje i oblicza wykorzystanie

Zasoby Watson Machine Learning są używane, mierzone w godzinach jednostki mocy obliczeniowej (CUH), podczas uczenia modeli AutoAI , uruchamiania eksperymentów głębokiego uczenia i żądań predykcji z wdrożonych modeli. W tym temacie opisano różne plany, jakie można wybrać, jakie usługi są zawarte, oraz udostępnia listę domyślnych środowisk obliczeniowych ułatwiających wybór planu, który jest zgodny z potrzebami. W tym temacie opisano:

Godziny jednostki mocy obliczeniowej (CUH)

CUH jest miarą wykorzystania zasobów obliczeniowych na jednostkę godzinę. Wszystkie plany Watson Machine Learning są konsolidowane wokół Godzin Mocy Obliczeniowej, dzięki czemu zużycie zasobów jest łatwiejsze do śledzenia.

Plany Watson Machine Learning

Plany Watson Machine Learning określają sposób, w jaki rozliczane są modele, które można trenować i wdrażać za pomocą narzędzia Watson Machine Learning. Wybierz plan w oparciu o Twoje potrzeby:

  • Lite to bezpłatny plan o ograniczonej mocy obliczeniowej. Ten plan należy wybrać, jeśli Watson Machine Learning ma być oceniany i chcesz wypróbować możliwości.
  • Standard to plan typu "pay-as-you-go", który umożliwia tworzenie, wdrażanie i zarządzanie modelami w celu dopasowania ich do potrzeb użytkownika.
  • Professional to plan przedsiębiorstwa o dużej pojemności, który jest przeznaczony do obsługi wszystkich potrzeb w zakresie uczenia maszynowego w organizacji. Plan zawodowy oferuje również wsparcie dla HIPAA, jeśli zostanie on udostępniony w regionie Dallas.

Szczegółowe informacje na temat planowania i ustalania cen zawiera sekcja IBM Cloud Machine Learning.

Uwaga: W przypadku aktualizacji z wersji Standard do Professional, nie można wycofać zmian do planu standardowego. W takim przypadku należy skontaktować się z działem wsparcia IBM w celu uzyskania pomocy.

Plany wg CUH

Plan analizy Liczba godzin jednostki mocy obliczeniowej Nadmiarowe Maksymalna liczba zadań wdrażania
na obszar
Lite 20 na miesiąc Nie jest dozwolone przekroczenie 100
Standardowy Zafakturoone na CUH Zafakturoone na CUH 1000
Specjalista 2500 Zafakturowane za dodatkową zużyte CUH 3000 (wzrost na żądanie poprzez wsparcie)

Limity i wartości domyślne dla zachowywania zadań wdrażania (Watson Machine Learning)

Watson Machine Learning określa limity liczby zadań wdrażania zatrzymanych dla każdego miejsca wdrożenia. Co ważne, z tą aktualizacją żadna z Twoich informacji nie zostanie utracona, ale twoje doświadczenie użytkownika podczas uruchamiania zadań wdrażania może wymagać zmiany.

Jeśli limit zostanie przekroczony, nie będzie można utworzyć nowych zadań wdrażania, dopóki nie zostaną usunięte istniejące zadania lub nie zaktualizuje się planu. Nowa automatyzacja pomoże Ci pozostać w granicach planu. Domyślnie metadane zadań będą automatycznie usuwane po 30 dniach. Tę wartość można przesłonić podczas tworzenia zadania. Patrz sekcja Zarządzanie zadaniami.

Watson Machine Learning -obliczanie wykorzystania i ceny

Uwaga: Aby uzyskać szczegółowe informacje na temat cen, patrz Watson Machine Learning: Pricing

Szczegóły użycia CUH

  • Machine Learning obliczanie wykorzystania jest obliczane przez liczbę godzin jednostki mocy obliczeniowej (CUH) zajętych przez aktywną instancję uczenia maszynowego.
  • Szybkość wykorzystania jednostek mocy obliczeniowej na godzinę jest określana przez wymagania obliczeniowe zasobów i modeli Machine Learning . Na przykład model z dużym, złożonym zestawem danych zużywa więcej zasobów szkoleniowych niż model z mniejszym, prostszym zestawem danych. Należy zauważyć, że skalowanie wdrożenia w celu obsługi większej liczby jednocześnie pracujących użytkowników i żądań zwiększa również zużycie CUH.
  • Ponieważ istnieje tak wiele zmiennych, które wpływają na konsumpcję zasobów w przypadku wdrożenia, zaleca się uruchamianie testów na modelach i wdrożeniach w celu analizy zużycia CUH.
  • Czas obliczeniowy jest obliczany na milisekundę. Istnieje jednak co najmniej jedna minuta dla każdej odrębnej operacji. Oznacza to, że uruchomienie szkolenia, które trwa 12 sekund, jest naliczane jako jedna minuta w kierunku limitu godzin jednostki pojemności, podczas gdy uruchomienie szkolenia, które trwa 83.555 sekund, jest rozliczane dokładnie tak, jak zostało to obliczone.
  • Sposób, w jaki wdrożenia w trybie z połączeniem zużywają jednostki mocy obliczeniowej, jest oparte na środowisku. W przypadku niektórych środowisk opcja CUH jest naliczana przez liczbę godzin, w których zasób wdrażania jest aktywny w obszarze wdrażania. Na przykład modele SPSS w trybie wdrożenia on-line, które uruchamiają 24 godziny na dobę przez siedem dni w tygodniu, pobierają CUH i są naliczane za ten okres. Nie ma czasu bezczynności dla aktywnego wdrożenia w trybie z połączeniem. W przypadku innych środowisk, CUH jest naliczane zgodnie z czasem trwania oceny. Szczegółowe informacje na temat sposobu obliczania CUH można znaleźć w tabeli wykorzystania CUH.

Określanie, czy wdrożenie jest aktywne

Jeśli wdrożenie nie otrzyma żądań oceniania dla danego przedziału czasu, jest ono traktowane jako nieaktywne, bezczynne, a fakturowanie jest zatrzymywane dla wszystkich środowisk innych niż SPSS. Okres używany do określenia, kiedy wdrożenie jest nieaktywne, zależy od typu planu.

Typ planu Czas bezczynności
Lite 1 dzień
Standardowy 3 dni
Specjalista 3 dni

Zużycie CUH według wdrożenia i typu środowiska

Zużycie CUH jest obliczane przy użyciu następujących formuł:

Typ wdrożenia Środowisko Obliczenie CUH
Z połączeniem AutoAI, AI function, SPSS, Scikit-Learn custom libraries, Tensorflow, RShiny deployment_active_duration no_węzły CUH_rate_for_capacity_type_framework
Z połączeniem Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_seconds liczba_węzłów CUH_rate_for_capacity_type_framework
Zadanie wsadowe wszystkie środowiska job_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework

W tych tabelach są wyświetlane jednostki mocy obliczeniowej na godzinę dla środowisk uczenia maszynowego według typu użycia.

Jednostki mocy obliczeniowej na godzinę dla eksperymentów głębokiego uczenia

Typ wielkości Jednostki mocy obliczeniowej na godzinę
1 (jeden) GPU NVIDIA K80 2
1 (jeden) GPU NVIDIA V100 10

 

Jednostki mocy obliczeniowej na godzinę na potrzeby szkolenia, oceny lub oceniania modeli

Typ wielkości Jednostki mocy obliczeniowej na godzinę
Dodatkowe małe: 1x4 = 1 vCPU i 4 GB pamięci RAM 0.5
Małe: 2x8 = 2 vCPU i 8 GB pamięci RAM 1
Średnia: 4x16 = 4 vCPU i 16 GB pamięci RAM 2
Duży: 8x32 = 8 vCPU i 32 GB pamięci RAM 4
Bardzo duży: 16x64 = 16 vCPU i 64 GB pamięci RAM 8

 

Liczba jednostek mocy obliczeniowej na godzinę dla eksperymentów AutoAI

Gdy dane są łączone na potrzeby eksperymentu AutoAI , jednostki mocy obliczeniowej na godzinę są obliczane w inny sposób, ponieważ dane są łączone. Gdy dane zostaną połączone, zużycie CUH przywróci do obliczeń dla eksperymentu z pojedynczym źródłem danych.

 

Jednostki mocy obliczeniowej na godzinę dla eksperymentów AutoAI z użyciem jednego źródła danych:

Typ wielkości Jednostki mocy obliczeniowej na godzinę
8 vCPU i 32 GB pamięci RAM 20

 

Jednostki mocy obliczeniowej na godzinę dla eksperymentów AutoAI podczas łączenia danych:

Należy zauważyć, że konsumpcja zwiększa się dla każdego dodanego wykonawcy.

Typ wielkości Jednostki mocy obliczeniowej na godzinę
Przyłącz się z 1 sterownikiem: 2 vCPU i 8 GB RAM + 1 Executor: 2 vCPU i 8 GB RAM 10
Dołącz do dodatkowych wykonań dodanie 5 CUH dla każdego dodatkowego wykonawcy
Po łączeniu danych: 8 vCPU i 32 GB pamięci RAM 20

 

Jednostki mocy obliczeniowej na godzinę dla opcji Decision Optimization

Typ wielkości Jednostki mocy obliczeniowej na godzinę
Decision Optimization: 2 procesory vCPU i 8 GB pamięci RAM 30
Decision Optimization: 4 vCPU i 16 GB pamięci RAM 40
Decision Optimization: 16 vCPU i 64 GB pamięci RAM 60

Szczegółowe informacje na temat sposobu wykorzystania zasobów zawiera sekcja Monitorowanie wykorzystania zasobów konta .

Śledzenie użycia CUH dla konta

Wykorzystanie środowiska wykonawczego dla konta można śledzić na stronie Środowisko wykonawcze środowiska , jeśli jest to właściciel konta IBM Cloud lub administrator lub właściciel usługi Watson Machine Learning . Szczegółowe informacje na ten temat zawiera sekcja Zasób monitorowania.

Śledzenie zużycia CUH dla uczenia maszynowego w notatniku

Aby obliczyć liczbę godzin jednostki mocy obliczeniowej, należy użyć:

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

Na przykład:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

Zwraca 5,49 CUH

Szczegółowe informacje na ten temat można znaleźć w sekcji Instancje usług w dokumentacji IBM Watson Machine Learning API .

Dodatkowe informacje

Temat nadrzędny: Watson Machine Learning