Scoprite come l'utilizzo del calcolo viene misurato utilizzando le unità di capacità oraria (CUH) consumate da un ambiente runtime attivo in watsonx.ai Studio. i piani di watsonx.ai Studio regolano le modalità di fatturazione mensile delle risorse consumate.
| Funzione | Lite | Professional | Standard (legacy) | Impresa (legacy) |
|---|---|---|---|---|
| Elaborazione dell'utilizzo | 10 CUH al mese |
CUH illimitato fatturato per l'utilizzo al mese |
10 CUH al mese ' + pagare per di più |
5000 CUH al mese ' + pagare per di più |
Unità di capacità all'ora per i notebook
| Tipo di capacità | Linguaggio | Unità di capacità all'ora |
|---|---|---|
| 1 vCPU e 4 GB di RAM | Python R |
0.5 |
| 2 vCPU e 8 GB di RAM | Python R |
1 |
| 4 vCPU e 16 GB di RAM | Python R |
2 |
| 8 vCPU e 32 GB di RAM | Python R |
4 |
| 16 vCPU e 64 GB di RAM | Python R |
8 |
| Driver: 1 vCPU e 4 GB di RAM; 1 Executor: 1 vCPU e 4 GB di RAM | Spark con Python ' Spark con R |
1 CUH " per esecutore aggiuntivo è 0.5 |
| Driver: 1 vCPU e 4 GB di RAM; 1 Executor: 2 vCPU e 8 GB di RAM | Spark con Python ' Spark con R |
1.1.5 ' CUH per esecutore aggiuntivo è 1 |
| Driver: 2 vCPU e 8 GB di RAM; 1 Executor: 1 vCPU e 4 GB di RAM; | Spark con Python ' Spark con R |
1.1.5 ' CUH per esecutore aggiuntivo è 0.5 |
| Driver: 2 vCPU e 8 GB di RAM; 1 Executor: 2 vCPU e 8 GB di RAM; | Spark con Python ' Spark con R |
2 CUH " per esecutore aggiuntivo è 1 |
| Driver: 3 vCPU e 12 GB di RAM; 1 Executor: 3 vCPU e 12 GB di RAM; | Spark con Python ' Spark con R |
2 CUH " per esecutore aggiuntivo è 1 |
Il tasso di unità di capacità per ora consumata è determinato per:
Ambienti Python o R predefiniti in base alle dimensioni dell'hardware e al numero di utenti in un progetto che utilizza uno o più runtime
Ad esempio: Il '
IBM Runtime 24.1 on Python 3.10 XScon 2 vCPUs consumerà 1 CUH se funziona per un'ora. Se si ha un progetto con 7 utenti che lavorano su notebook 8 ore al giorno, 5 giorni alla settimana, tutti utilizzando l'ambiente 'IBM Runtime 24.1 on Python 3.10 XS, e tutti chiudono i loro runtime quando escono la sera, il consumo di runtime è '5 x 7 x 8 = 280 CUH per week.Il calcolo del CUH diventa più complesso quando si utilizzano ambienti diversi per eseguire i notebook nello stesso progetto e se gli utenti hanno più runtime attivi, che consumano tutti il proprio CUH. Inoltre, potrebbero esserci notebook, che sono programmati per essere eseguiti durante le ore libere, e lavori di lunga durata, che consumano anch'essi CUH.
Ambienti predefiniti di Spark in base alla dimensione della configurazione hardware del driver e al numero di esecutori e alla loro dimensione.
Unità di capacità all'ora per notebook con Decision Optimization
Il tasso di unità di capacità per ora consumate è determinato dalle dimensioni dell'hardware e dal prezzo dell'Decision Optimization.
| Tipo di capacità | Linguaggio | Unità di capacità all'ora |
|---|---|---|
| 1 vCPU e 4 GB di RAM | Python + Decision Optimization | 0.0.5 + 5 = 5.5 |
| 2 vCPU e 8 GB di RAM | Python + Decision Optimization | 1 + 5 = 6 |
| 4 vCPU e 16 GB di RAM | Python + Decision Optimization | 2 + 5 = 7 |
| 8 vCPU e 32 GB di RAM | Python + Decision Optimization | 4 + 5 = 9 |
| 16 vCPU e 64 GB di RAM | Python + Decision Optimization | 8 + 5 = 13 |
Unità di capacità all'ora per i notebook con Watson Natural Language Processing
Il tasso di unità di capacità per ora consumate è determinato dalle dimensioni dell'hardware e dal prezzo di Watson Natural Language Processing.
| Tipo di capacità | Linguaggio | Unità di capacità all'ora |
|---|---|---|
| 1 vCPU e 4 GB di RAM | Python + elaborazione del linguaggio naturale Watson | 0.0.5 + 5 = 5.5 |
| 2 vCPU e 8 GB di RAM | Python + elaborazione del linguaggio naturale Watson | 1 + 5 = 6 |
| 4 vCPU e 16 GB di RAM | Python + elaborazione del linguaggio naturale Watson | 2 + 5 = 7 |
| 8 vCPU e 32 GB di RAM | Python + elaborazione del linguaggio naturale Watson | 4 + 5 = 9 |
| 16 vCPU e 64 GB di RAM | Python + elaborazione del linguaggio naturale Watson | 8 + 5 = 13 |
Unità di capacità all'ora per i flussi di SPSS Modeler
| Nome | Tipo di capacità | Unità di capacità all'ora |
|---|---|---|
Default SPSS Modeler S |
2 vCPU e 8 GB di RAM | 1 |
Default SPSS Modeler M |
4 vCPU e 16 GB di RAM | 2 |
Default SPSS Modeler L |
6 vCPU e 24 GB di RAM | 3 |
Unità di capacità oraria per la Data Refinery e i flussi di Data Refinery
| Nome | Tipo di capacità | Unità di capacità all'ora |
|---|---|---|
| Runtime predefinito di Data Refinery XS | 3 vCPU e 12 GB di RAM | 1.5 |
| Predefinito Spark 3.4 & R 4.2 | 2 Esecutori ciascuno: 1 vCPU e 4 GB di RAM; Driver: 1 vCPU e 4 GB di RAM | 1.5 |
Unità di capacità all'ora per RStudio
| Nome | Tipo di capacità | Unità di capacità all'ora |
|---|---|---|
| RStudio XS predefinito | 2 vCPU e 8 GB di RAM | 1 |
| RStudio predefinito M | 8 vCPU e 32 GB di RAM | 4 |
| RStudio predefinito L | 16 vCPU e 64 GB di RAM | 8 |
Unità di capacità all'ora per ambienti GPU
| Tipo di capacità | GPU | Linguaggio | Unità di capacità all'ora |
|---|---|---|---|
| 1 x NVIDIA Tesla V100 | 1 | Python con GPU | 68 |
| 2 x NVIDIA Tesla V100 | 2 | Python con GPU | 136 |
Ulteriori informazioni
- Per informazioni sul monitoraggio dell'utilizzo delle risorse dell'account, vedere Monitoraggio dell'utilizzo delle risorse dell'account.
- Per i dettagli sull'allocazione e il consumo delle risorse di calcolo, consultare gli ambienti di studiowastonx.ai Uso del calcolo
Argomento principale: piani di studiowatsonx.ai