Abrechnungsdetails für watsonx.ai Studio Tools
Erfahren Sie, wie die Rechennutzung anhand von Kapazitätsstunden (CUH) gemessen wird, die von einer aktiven Umgebungslaufzeit in watsonx.ai Studio verbraucht werden.
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. Der Spark-Treiber ist für die Verwaltung der gesamten Ausführung einer Spark-Anwendung verantwortlich, einschließlich der Aufgabenplanung und der Kommunikation mit dem Clustermanager, während die Spark-Executors verteilte Prozesse auf Arbeitsknoten sind, die die vom Treiber zugewiesenen Aufgaben ausführen und die Datenverarbeitung parallel durchführen.
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 |
Kapazitätseinheiten pro Stunde für Pipelines Bash-Skript
| Größe | Kapazitätstyp | Capacity-Units pro Stunde |
|---|---|---|
| XXS | 1 vCPU und 2 GB RAM | 0.5 |
| XS | 1 vCPU und 4 GB RAM | 0.5 |
| S | 2 vCPU und 8 GB RAM | 1 |
| M | 4 vCPU und 16 GB RAM | 2 |
| Maschinelles Lernen | 4 vCPU und 32 GB RAM | 2 |
Hinweise:
- Die Laufzeiten für Bash-Skripte enden automatisch, wenn die Verarbeitung abgeschlossen ist.
- Der Ressourcenverbrauch wird in Sekunden gemessen, mit einem Minimum von 1 Sekunde. Beträgt die Ausführungszeit zum Beispiel 52.1 Sekunden, so beträgt die Gebühr 53 Sekunden.
CUH-Verbrauch in Pipelines
Pipelines werden verwendet, um verschiedene Assets wie Notebooks und Skripte auszuführen. Während die Erstellung einer Pipeline keine Rechenressourcen verbraucht, ist dies bei der Ausführung der Pipeline der Fall.
Ein spezieller Fall, in dem CUH explizit berechnet wird, ist die Ausführung von Bash-Skriptknoten in einer Pipeline. Diese Skripte werden mit einer ausgewählten Hardwarekonfiguration ausgeführt, und die CUH-Gebühr richtet sich nach der Ausführungszeit und der verwendeten Konfiguration.
Kapazitätseinheiten pro Stunde für den Synthetic Data Generator
| Kapazitätstyp | Capacity-Units pro Stunde |
|---|---|
| 2 vCPU und 8 GB RAM | 7 |
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 |
Ressourcenverbrauch für Prompt Lab
Prompt Lab verbraucht keine Rechenressourcen. Die Nutzung von Prompt Lab wird anhand der Anzahl der verarbeiteten Token gemessen. Siehe Abrechnungsdetails für generative AI-Assets.
Weitere Informationen
- Informationen zur Überwachung des Ressourcenverbrauchs Ihres Kontos finden Sie unter Überwachung des Ressourcenverbrauchs Ihres Kontos.
- Details zur Zuweisung und zum Verbrauch von Rechenressourcen finden Sie unter watsonx.ai Studio environments compute usage
Übergeordnetes Thema: Services und Integrationen