Dettagli di fatturazione per gli strumenti di watsonx.ai Studio
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.
IBM watsonx.ai I piani di 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. Il driver di Spark è responsabile della gestione dell'esecuzione complessiva di un'applicazione Spark, compresa la pianificazione delle attività e la comunicazione con il gestore del cluster, mentre gli Spark Executor sono processi distribuiti sui nodi worker che eseguono le attività effettive assegnate dal driver e gestiscono l'elaborazione dei dati in parallelo.
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 lo script Bash Pipelines
| Dimensione | Tipo di capacità | Unità di capacità all'ora |
|---|---|---|
| XXS | 1 vCPU e 2 GB di RAM | 0.5 |
| XS | 1 vCPU e 4 GB di RAM | 0.5 |
| S | 2 vCPU e 8 GB di RAM | 1 |
| M | 4 vCPU e 16 GB di RAM | 2 |
| ML | 4 vCPU e 32 GB di RAM | 2 |
Note:
- I tempi di esecuzione degli script Bash si arrestano automaticamente al termine dell'elaborazione.
- Il consumo di risorse è misurato in secondi, con un minimo di 1 secondo. Ad esempio, se il tempo di esecuzione è 52.1 secondi, la carica è di 53 secondi.
Consumo di CUH nelle condutture
Le pipeline vengono utilizzate per eseguire varie risorse, come notebook e script. Mentre la creazione di una pipeline non consuma risorse di calcolo, l'esecuzione della pipeline lo fa.
Un caso specifico in cui CUH viene esplicitamente addebitato è quando si eseguono nodi di script Bash in una pipeline. Questi script vengono eseguiti utilizzando una configurazione hardware selezionata e il costo del CUH si basa sul tempo di esecuzione e sulla configurazione utilizzata.
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 watsonx.ai Studio environments compute usage
Argomento principale: Servizi e integrazioni