Conozca cómo se mide el uso de la computación utilizando las horas de unidad de capacidad (CUH) consumidas por un tiempo de ejecución de entorno activo en watsonx.ai Studio. los planes de watsonx.ai Studio regulan la facturación mensual de los recursos consumidos.
| Característica | Lite | Professional | Standard (heredado) | Enterprise (heredado) |
|---|---|---|---|---|
| Uso de procesos | 10 CUH al mes |
CUH ilimitado facturado por uso al mes |
10 CUH al mes " + pago por más |
5000 CUH al mes + pago por más |
Unidades de capacidad por hora para portátiles
| Tipo de capacidad | Idioma | Unidades de capacidad por hora |
|---|---|---|
| 1 vCPU y 4 GB de RAM | Python R |
0.5 |
| 2 vCPU y 8 GB de RAM | Python R |
1 |
| 4 vCPU y 16 GB de RAM | Python R |
2 |
| 8 vCPU y 32 GB de RAM | Python R |
4 |
| 16 vCPU y 64 GB de RAM | Python R |
8 |
| Controlador: 1 vCPU y 4 GB de RAM; 1 Ejecutor: 1 vCPU y 4 GB de RAM | Spark con Python ' ' Spark con R |
1 CUH por ejecutor adicional es 0,5 |
| Controlador: 1 vCPU y 4 GB de RAM; 1 Ejecutor: 2 vCPU y 8 GB de RAM | Spark con Python ' ' Spark con R |
1,5 CUH por ejecutor adicional es 1 |
| Controlador: 2 vCPU y 8 GB de RAM; 1 Ejecutor: 1 vCPU y 4 GB de RAM; | Spark con Python ' ' Spark con R |
1,5 CUH por ejecutor adicional es 0,5 |
| Controlador: 2 vCPU y 8 GB de RAM; 1 Ejecutor: 2 vCPU y 8 GB de RAM; | Spark con Python ' ' Spark con R |
2 CUH por ejecutor adicional es 1 |
| Controlador: 3 vCPU y 12 GB RAM; 1 Ejecutor: 3 vCPU y 12 GB RAM; | Spark con Python ' ' Spark con R |
2 CUH por ejecutor adicional es 1 |
La tasa de unidades de capacidad por hora consumida se determina para:
Entornos Python o R predeterminados por el tamaño del hardware y el número de usuarios en un proyecto que utilizan uno o más tiempos de ejecución
Por ejemplo:
IBM Runtime 24.1 on Python 3.10 XScon 2 vCPU consumirá 1 CUH si se ejecuta durante una hora. Si tiene un proyecto con 7 usuarios que trabajan en cuadernos 8 horas al día, 5 días a la semana, todos utilizan el entornoIBM Runtime 24.1 on Python 3.10 XSy todos cierran sus tiempos de ejecución cuando se van por la noche, el consumo de tiempo de ejecución es5 x 7 x 8 = 280 CUH per week.El cálculo de CUH se hace más complejo cuando se utilizan diferentes entornos para ejecutar cuadernos en el mismo proyecto y si los usuarios tienen múltiples tiempos de ejecución activos, todos consumiendo sus propias CUH. Además, puede haber cuadernos, que están programados para funcionar fuera del horario de trabajo, y trabajos de larga duración, que también consumen CUH.
Entornos de Spark predeterminados por el tamaño de configuración del hardware del controlador y el número de ejecutores y su tamaño.
Unidades de capacidad por hora para cuadernos con Decision Optimization
La tasa de unidades de capacidad por hora consumida viene determinada por el tamaño del hardware y el precio para Decision Optimization.
| Tipo de capacidad | Idioma | Unidades de capacidad por hora |
|---|---|---|
| 1 vCPU y 4 GB de RAM | Python + Decision Optimization | 0.5 + 5 = 5.5 |
| 2 vCPU y 8 GB de RAM | Python + Decision Optimization | 1 + 5 = 6 |
| 4 vCPU y 16 GB de RAM | Python + Decision Optimization | 2 + 5 = 7 |
| 8 vCPU y 32 GB de RAM | Python + Decision Optimization | 4 + 5 = 9 |
| 16 vCPU y 64 GB de RAM | Python + Decision Optimization | 8 + 5 = 11 |
Unidades de capacidad por hora para cuadernos con Watson Natural Language Processing
La tasa de unidades de capacidad por hora consumida viene determinada por el tamaño de hardware y el precio para Watson Natural Language Processing.
| Tipo de capacidad | Idioma | Unidades de capacidad por hora |
|---|---|---|
| 1 vCPU y 4 GB de RAM | Python + Watson Natural Language Processing | 0.5 + 5 = 5.5 |
| 2 vCPU y 8 GB de RAM | Python + Watson Natural Language Processing | 1 + 5 = 6 |
| 4 vCPU y 16 GB de RAM | Python + Watson Natural Language Processing | 2 + 5 = 7 |
| 8 vCPU y 32 GB de RAM | Python + Watson Natural Language Processing | 4 + 5 = 9 |
| 16 vCPU y 64 GB de RAM | Python + Watson Natural Language Processing | 8 + 5 = 11 |
Unidades de capacidad por hora para flujos de SPSS Modeler
| Nombre | Tipo de capacidad | Unidades de capacidad por hora |
|---|---|---|
Default SPSS Modeler S |
2 vCPU y 8 GB de RAM | 1 |
Default SPSS Modeler M |
4 vCPU y 16 GB de RAM | 2 |
Default SPSS Modeler L |
6 vCPU y 24 GB de RAM | 3 |
Unidades de capacidad por hora para los flujos de Data Refinery y Data Refinery
| Nombre | Tipo de capacidad | Unidades de capacidad por hora |
|---|---|---|
| Tiempo de ejecución de Data Refinery XS predeterminado | 3 vCPU y 12 GB de RAM | 1.5 |
| Spark 3.4 y R 4.2 por defecto | 2 Ejecutores cada uno: 1 vCPU y 4 GB de RAM; Controlador: 1 vCPU y 4 GB de RAM | 1.5 |
Unidades de capacidad por hora para RStudio
| Nombre | Tipo de capacidad | Unidades de capacidad por hora |
|---|---|---|
| RStudio XS predeterminado | 2 vCPU y 8 GB de RAM | 1 |
| RStudio M predeterminado | 8 vCPU y 32 GB de RAM | 4 |
| RStudio L predeterminado | 16 vCPU y 64 GB de RAM | 8 |
Unidades de capacidad por hora para entornos de GPU
| Tipo de capacidad | GPU | Idioma | Unidades de capacidad por hora |
|---|---|---|---|
| 1 x NVIDIA Tesla V100 | 1 | Python con GPU | 69 |
| 2 x NVIDIA Tesla V100 | 2 | Python con GPU | 136 |
Más información
- Para obtener información sobre la supervisión del uso de recursos de su cuenta, consulte Supervisión del uso de recursos de la cuenta.
- Para obtener información detallada sobre la asignación y el consumo de recursos informáticos, consulte wastonx.ai Entornos de estudio Uso de recursos informáticos
Tema principal: watsonx.ai Planes de estudio