Erfahren Sie, wie die Rechennutzung anhand von Kapazitätsstunden (CUH) gemessen wird, die von einer aktiven Umgebungslaufzeit in watsonx.ai Studio verbraucht werden. die watsonx.ai Studio-Pläne regeln, wie Sie monatlich für die verbrauchten Ressourcen abgerechnet werden.
| Funktion | Lite | Professional | Standard (traditionell) | Unternehmen (traditionell) |
|---|---|---|---|---|
| Verarbeitungsaufwand | 10 CUH pro Monat |
Unbegrenzte CUH -Abrechnung für Nutzung pro Monat |
10 CUH pro Monat ' + mehr bezahlen |
5000 CUH pro Monat + zahlen für mehr |
Kapazitätseinheiten pro Stunde für Notebooks
| Kapazitätstyp | Sprache | Capacity-Units pro Stunde |
|---|---|---|
| 1 vCPU und 4 GB RAM | Python R |
0.5 |
| 2 vCPU und 8 GB RAM | Python R |
1 |
| 4 vCPU und 16 GB RAM | Python R |
2 |
| 8 vCPU und 32 GB RAM | Python R |
4 |
| 16 vCPU und 64 GB RAM | Python R |
8 |
| Treiber: 1 vCPU und 4 GB RAM; 1 Executor: 1 vCPU und 4 GB RAM | Spark mit Python ' Spark mit R |
1 CUH pro zusätzlichem Executor ist 0,5 |
| Treiber: 1 vCPU und 4 GB RAM; 1 Executor: 2 vCPU und 8 GB RAM | Spark mit Python ' Spark mit R |
1,5 CUH pro zusätzlichem Executor ist 1 |
| Treiber: 2 vCPU und 8 GB RAM; 1 Executor: 1 vCPU und 4 GB RAM; | Spark mit Python ' Spark mit R |
1,5 CUH pro zusätzlichem Executor ist 0,5 |
| Treiber: 2 vCPU und 8 GB RAM; 1 Executor: 2 vCPU und 8 GB RAM; | Spark mit Python ' Spark mit R |
2 CUH pro zusätzlichem Executor ist 1 |
| Treiber: 3 vCPU und 12 GB RAM; 1 Executor: 3 vCPU und 12 GB RAM; | Spark mit Python ' Spark mit R |
2 CUH pro zusätzlichem Executor ist 1 |
Die Menge der pro Stunde verbrauchten Capacity-Units wird wie folgt bestimmt:
In Default Python- oder Default R-Umgebungen durch die Größe der Hardware und die Anzahl der Benutzer in einem Projekt, die eine oder mehrere Laufzeiten verwenden
Beispiel: Der
IBM Runtime 24.1 on Python 3.10 XSmit 2 vCPUs belegt 1 CUH, wenn er eine Stunde ausgeführt wird. Wenn Sie ein Projekt mit 7 Benutzern haben, die 8 Stunden am Tag, 5 Tage die Woche an Notebooks arbeiten und alle dieIBM Runtime 24.1 on Python 3.10 XS-Umgebung verwenden, und alle Benutzer ihre Laufzeiten beenden, wenn sie abends abreisen, ist die Laufzeitnutzung5 x 7 x 8 = 280 CUH per week.Die CUH-Berechnung wird komplexer, wenn für die Ausführung von Notebooks in einem Projekt mehrere Umgebungen verwendet werden und Benutzer über mehrere aktive Laufzeiten verfügen, die alle Capacity-Unit-Stunden verbrauchen. Außerdem gibt es möglicherweise Notebooks, deren Ausführung außerhalb der Betriebszeiten vorgesehen ist, und Jobs mit langer Laufzeit, die ebenfalls Capacit-Unit-Stunden verbrauchen.
In Default Spark-Umgebungen durch die Hardwarekonfigurationsgröße des Treibers und die Anzahl der Executor und deren Größe.
Capacity-Units pro Stunde für Notebooks mit Decision Optimization
Die Menge der pro Stunde verbrauchten Capacity-Units hängt von der Hardwaregröße und dem Preis für Decision Optimization ab.
| Kapazitätstyp | Sprache | Capacity-Units pro Stunde |
|---|---|---|
| 1 vCPU und 4 GB RAM | Python + Decision Optimization | 0,5 + 5 = 5,5 |
| 2 vCPU und 8 GB RAM | Python + Decision Optimization | 1 + 5 = 6 |
| 4 vCPU und 16 GB RAM | Python + Decision Optimization | 2 + 5 = 7 |
| 8 vCPU und 32 GB RAM | Python + Decision Optimization | 4 + 5 = 9 |
| 16 vCPU und 64 GB RAM | Python + Decision Optimization | 8 + 5 = 13 |
Kapazitätseinheiten pro Stunde für Notebooks mit Watson Natural Language Processing
Die Rate der verbrauchten Kapazitätseinheiten pro Stunde wird durch die Hardwaregröße und den Preis für Watson Natural Language Processing bestimmt.
| Kapazitätstyp | Sprache | Capacity-Units pro Stunde |
|---|---|---|
| 1 vCPU und 4 GB RAM | Python + Watson Natural Language Processing | 0,5 + 5 = 5,5 |
| 2 vCPU und 8 GB RAM | Python + Watson Natural Language Processing | 1 + 5 = 6 |
| 4 vCPU und 16 GB RAM | Python + Watson Natural Language Processing | 2 + 5 = 7 |
| 8 vCPU und 32 GB RAM | Python + Watson Natural Language Processing | 4 + 5 = 9 |
| 16 vCPU und 64 GB RAM | Python + Watson Natural Language Processing | 8 + 5 = 13 |
Capacity-Units pro Stunde für SPSS Modeler-Abläufe
| Ihren Namen | Kapazitätstyp | Capacity-Units pro Stunde |
|---|---|---|
Default SPSS Modeler S |
2 vCPU und 8 GB RAM | 1 |
Default SPSS Modeler M |
4 vCPU und 16 GB RAM | 2 |
Default SPSS Modeler L |
6 vCPU und 24 GB RAM | 3 |
Capacity-Units pro Stunde für Data Refinery und Data Refinery-Abläufe
| Ihren Namen | Kapazitätstyp | Capacity-Units pro Stunde |
|---|---|---|
| Default Data Refinery XS (Laufzeit) | 3 vCPU und 12 GB RAM | 1.5 |
| Standard Spark 3.4 & R 4.2 | 2 Executors, jeweils: 1 vCPU und 4 GB RAM; Treiber: 1 vCPU und 4 GB RAM | 1.5 |
Capacity-Units pro Stunde für RStudio
| Ihren Namen | Kapazitätstyp | Capacity-Units pro Stunde |
|---|---|---|
| Default RStudio XS | 2 vCPU und 8 GB RAM | 1 |
| Default RStudio M | 8 vCPU und 32 GB RAM | 4 |
| Default RStudio L | 16 vCPU und 64 GB RAM | 8 |
Capacity-Units pro Stunde für GPU-Umgebungen
| Kapazitätstyp | GPUs | Sprache | Capacity-Units pro Stunde |
|---|---|---|---|
| 1 x NVIDIA Tesla V100 | 1 | Python mit GPU | 68 |
| 2 x NVIDIA Tesla V100 | 2 | Python mit GPU | 136 |
Weitere Informationen
- Informationen zur Überwachung des Ressourcenverbrauchs Ihres Kontos finden Sie unter Überwachung des Ressourcenverbrauchs Ihres Kontos.
- Details über die Zuweisung und den Verbrauch von Rechenressourcen finden Sie unter wastonx.ai Studio-Umgebungen Rechennutzung
Übergeordnetes Thema: watsonx.ai Studio-Pläne