Während der IBM Z-Roadshow habe ich dieses Interview mit Khadija Souissi von IBM über das Thema Machine Learning geführt. Darin spricht sie über ihren Vortrag, über das Software-Angebot seitens IBM für Machine Learning auf Mainframe-Rechnern und warum Machine Learning immer wichtiger wird.

„Wovon handelte Ihr Vortrag auf der Z-Roadshow?“

Im Kern sprach Frau Souissis darüber, wie zu analysierende Transaktionsdaten auf demselben Rechner konsolidiert werden können, auf dem sie gespeichert und verarbeitet werden, nämlich auf dem IBM-Mainframe. Hierfür kommen immer öfter Machine-Learning-Algorithmen zum Einsatz, was eine Sub-Disziplin der Künstlichen Intelligenz darstellt.

Diese Algorithmen und Tools werden optimalerweise direkt in die Anwendung integriert, mit denen die Analysedaten erfasst und verarbeitet werden sollen. Hierbei ist es vor allem wichtig, möglichst unterschiedliche Daten und Datentypen zu verwenden, weil nur dann ein umfassendes und aussagekräftiges Ergebnis erzielt werden kann.

„Welche Machine-Learning-Tools hat IBM in petto?“

Für das Analysieren transaktionaler Daten auf dem Mainframe setzt IBM ein Verfahren ein, das sich Hybrid Transactional/Analytical Processing (HTAP) nennt. Hiermit lassen sich operationale Worksloads (also die Transaktionsdaten) und analytische Workloads auf einer einzigen Maschine zusammenführen und dort direkt verarbeiten.

Zu diesem Zweck hat IBM eine Software namens Db2 Analytics Accelerator im Portfolio, die für z/OS verfügbar ist, eines der Betriebsysteme für die IBM Z-Mainframes. Damit lassen sich DB2-basierte Daten auf einem Mainframe-Rechner unmittelbar analysieren, was das umständliche Kopieren von der Transaktionsmaschine auf den Analyserechner erübrigt.

httpss://twitter.com/mhuelskoetter/status/986638711738728448

Für das Erfassen unterschiedlichster Datentypen, die sich sowohl auf der Z-Maschine als auch außerhalb davon befinden können, bietet IBM ein Tool, das sich IBM Data Virtualization Manager for z/OS nennt.

httpss://twitter.com/mhuelskoetter/status/986641352434778113

Darüber hinaus können IBM-Z-Kunden für das Analysieren ihrer Daten auf dem Mainframe mithilfe von KI-Algorithmen die Software-Lösung Machine Learning for z/OS einsetzen, die auf den bekannten IBM Watson Machine Learning Services basiert. Diese wurden auf z/OS portiert und stehen damit auf IBM-Mainframes zur Verfügung. Damit können sämtliche Watson-ML-Tools auch direkt im Rechenzentrum des Kunden als OnPrem-Variante installiert und genutzt werden.

„Warum wird – auch für IBM – Machine Learning immer wichtiger?“

Als Hauptgrund nennt Khadija Souissi die Möglichkeit, mithilfe der passenden Machine-Learning-Algorithmen dem Kunden das bestmögliche Analyse-Angebot unterbreiten zu können. Um das zu belegen, brachte sie eine äußerst beeindruckende Zahl ins Spiel: So werden im Vergleich zum täglichen Google-Suchaufkommen auf den weltweit installierten Mainframes zehnmal mehr Daten verarbeitet, was in Summe 30 Milliarden Transaktionen bedeutet – und das jeden Tag.

httpss://twitter.com/mhuelskoetter/status/987001975781937152

Wenn man sich dann vergegenwärtigt, dass ein Großteil dieser Mainframe-Daten nach wie vor brach liegen, da sie gar nicht oder nur unzureichend genutzt werden, kann man sich leicht das Potenzial ausrechnen, das in diesen Transaktionsdaten schlummert. So ließe sich speziell in Verbindung mit Machine Learning jede einzelne Datenbuchung analysieren und damit die Transaktionen permanent verbessern oder noch besser absichern oder weitere Dinge damit anstellen.

Das Interview mit Khadija Souissi in voller Länge

Disclaimer: Für diesen Blogpost hat mich IBM Deutschland als Blogger engagiert.