0 / 0
Torna alla versione inglese della documentazione
Dettagli di fatturazione per le attività di apprendimento automatico

Dettagli di fatturazione per le attività di apprendimento automatico

Scoprite come viene misurato l'utilizzo degli asset di apprendimento automatico utilizzando le unità di capacità oraria (CUH).

Utilizzo e prezzi del calcolo di Watson Machine Learning

L'utilizzo del calcolo di Watson Machine Learning è calcolato in base al numero di unità di capacità oraria (CUH) consumate da un'istanza di apprendimento automatico attiva. Il tasso di unità di capacità per ora consumate è determinato dai requisiti di calcolo delle risorse e dei modelli di apprendimento automatico. Ad esempio, un modello con un set di dati ampio e complesso consumerà più risorse per l'addestramento rispetto a un modello con un set di dati più piccolo e semplice. Si noti che il ridimensionamento di un'implementazione per supportare più utenti e richieste simultanee aumenta anche il consumo di CUH.

Suggerimento: Poiché le variabili che influiscono sul consumo di risorse di un'installazione sono numerose, la prassi consigliata è quella di eseguire test sui modelli e sulle installazioni per analizzare il consumo di CUH.

Per tutti i piani:

  • Il consumo di unità-ora di capacità (CUH) per l'addestramento si basa sullo strumento di addestramento, sulle specifiche hardware e sull'ambiente di esecuzione.
  • Il consumo del tasso di capacità-unità-ora (CUH) per l'implementazione si basa sul tipo di implementazione, sulle specifiche hardware e sulle specifiche software.
  • Watson Machine Learning pone dei limiti al numero di lavori di distribuzione conservati per ogni singolo spazio di distribuzione. Se si supera il limite, non è possibile creare nuovi lavori di distribuzione finché non si eliminano quelli esistenti o non si aggiorna il piano. Per impostazione predefinita, i metadati dei lavori vengono cancellati automaticamente dopo 30 giorni. È possibile sovrascrivere questo valore durante la creazione di un lavoro. Vedi Lavori di gestione.
  • Il tempo di inattività si riferisce alla quantità di tempo per considerare attiva un'implementazione tra le richieste di punteggio. Se un'installazione non riceve richieste di punteggio per un determinato periodo di tempo, viene considerata inattiva o inattiva e la fatturazione si interrompe per tutti i framework diversi da SPSS.
  • Un piano prevede almeno il limite tariffario dichiarato, mentre il limite tariffario effettivo può essere superiore a quello dichiarato. Ad esempio, il piano Lite potrebbe elaborare più di 2 richieste al secondo senza emettere un errore. Se si dispone di un piano a pagamento e si ritiene di aver raggiunto per errore il limite della tariffa, contattare il supporto IBM per assistenza.
  • Il tempo di calcolo è calcolato al millisecondo. Tuttavia, è previsto un minimo di un minuto per ogni operazione distinta. In altre parole, una sessione di addestramento che dura 12 secondi viene conteggiata come un minuto per la quota di unità oraria di capacità, mentre una sessione di addestramento che dura 83.555 secondi viene conteggiata esattamente come calcolato.
  • Il modo in cui le distribuzioni online consumano le unità di capacità si basa sul framework. Per alcuni framework, il 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 funzionano 24 ore al giorno per sette giorni alla settimana consumano CUH e vengono addebitati per quel periodo. Non ci sono tempi morti per una distribuzione online attiva. Per gli altri quadri, il CUH viene addebitato in base alla durata del punteggio. Per maggiori dettagli sulle modalità di calcolo del CUH, consultare la tabella dei consumi CUH.

Tassi di consumo di CUH per tipo di asset

Tabella 3. Tassi di consumo di CUH per tipo di asset
Tipo di asset Tipo di capacità Unità di capacità all'ora
Esperimento AutoAI 8 vCPU e 32 GB di RAM 20
Formazione Decision Optimization 2 vCPU e 8 GB di
vCPU e 16 GB di
vCPU e 32 GB di
vCPU e 64 GB di RAM
6
7
9
13
Implementazioni di Decision Optimization 2 vCPU e 8 GB di
vCPU e 16 GB di
vCPU e 32 GB di
vCPU e 64 GB di RAM
30
40
50
60
Modelli di Machine Learning
(addestramento, valutazione o punteggio)
1 vCPU e 4 GB di
vCPU e 8 GB di
vCPU e 16 GB di
vCPU e 32 GB di
vCPU e 64 GB di RAM
0.5
1
2
4
8
Foundation model tuning experiment
(watsonx only)
GPU NVIDIA A100 80GB 43

Consumo di CUH in base alla distribuzione e al tipo di struttura

Il consumo di CUH viene calcolato con queste formule:

Tipo di distribuzione Framework Calcolo del CUH
In linea AutoAI, AI function, SPSS, librerie personalizzate Scikit-Learn, Tensorflow, RShiny deployment_active_duration_in_hours * no_of_nodes * CUH_rate_for_capacity_type_framework
In linea Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_hours * no_of_nodes * CUH_rate_for_capacity_type_framework
Lavori tutti i quadri durata del lavoro in ore * numero di nodi * tasso di CUH per il tipo di capacità quadro

Ad esempio, si consideri un lavoro di distribuzione batch Decision Optimization che viene eseguito per 15 minuti. Il consumo di risorse è calcolato in questo modo: 15 minuti = 0.25 ore, su 2 nodi, con 2 vCPU e 8 GB di RAM. Questa combinazione determina un tasso di CUH di 30, quindi ogni volta che il lavoro viene eseguito consuma 0.25 * 2 * 30, pari a 15 CUH.

Queste tabelle mostrano il calcolo delle unità di capacità per ora per ambienti di apprendimento automatico predefiniti, per tipo di utilizzo.

Unità di capacità all'ora per la formazione, la valutazione o l'attribuzione di punteggi ai modelli

Tipo di capacità Unità di capacità all'ora
Extra small: 1 vCPU e 4 GB di RAM 0.5
Piccolo: 2 vCPU e 8 GB di RAM 1
Media: 4 vCPU e 16 GB di RAM 2
Grande: 8 vCPU e 32 GB di RAM 4
Extra large: 16 vCPU e 64 GB di RAM 8

 

Unità di capacità all'ora per gli esperimenti AutoAI

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

 

Unità di capacità all'ora per gli esperimenti di Decision Optimization

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

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

 

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

Monitoraggio dell'utilizzo delle risorse

È possibile monitorare l'utilizzo delle risorse per le risorse di cui si è proprietari o su cui si collabora in un progetto o in uno spazio. Se si è proprietari o amministratori di un account, è possibile tenere traccia del CUH per un intero account. Per ulteriori informazioni, vedere Monitoraggio dell'utilizzo delle risorse dell'account.

È possibile monitorare l'utilizzo dei runtime per un account nella pagina Environment Runtimes (Runtime dell'ambiente) se si è il proprietario o l'amministratore dell'account IBM Cloud o il proprietario del servizio Watson Machine Learning. Per ulteriori informazioni, vedere Monitoraggio delle risorse.

Tracciare il consumo di CUH per l'apprendimento automatico in un notebook

Per calcolare le ore dell'unità di capacità in un notebook, 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)

rendimenti 5.49 CUH

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

Ulteriori informazioni

Argomento principale: Piani di esecuzione diwatsonx.ai

Ricerca e risposta AI generativa
Queste risposte sono generate da un modello di lingua di grandi dimensioni in watsonx.ai basato sul contenuto della documentazione del prodotto. Ulteriori informazioni