- Versionshinweise
- Erste Schritte
- Benachrichtigungen
- Projekte
- Datasets
- Data Labeling
- ML-Pakete
- Sofort einsetzbare Pakete
- Pipelines
- ML-Skills
- ML-Protokolle
- Document UnderstandingTM im AI Center
- AI Center-API
- Lizenzierung
- Vorlagen für AI Solutions
- Anleitungen zu …
- Grundlegende Anleitung zur Fehlerbehebung
AI Units
- Die Seite zur Überwachung der Lizenzzuweisung im Automation CloudTM -Administratorhandbuch für den Verbrauch auf Organisationsebene.
- Übersicht über den Verbrauch von AI Units auf Mandantenebene im Insights-Handbuch für den Verbrauch auf Mandantenebene.
AI Units ist die Maßeinheit für die Lizenzierung von AI-Produkten. AI Units werden nach Verbrauch abgerechnet, wenn die Modelle einen Nutzen für Sie erbringen.
Weitere allgemeine Informationen zum Verbrauch von AI Units für unsere KI-Produkte finden Sie in den Abschnitten Mess- und Abrechnungslogik und Lizenzverfolgung unten.
Weitere Informationen zum Verbrauch von AI Units für Process Mining finden Sie auf der Seite Lizenz im Handbuch zu Process Mining.
Sie können den Verbrauch von AI Units auch auf Mandantenebene zuordnen und nachverfolgen. Weitere Informationen finden Sie auf den Seiten zur Zuweisung auf Mandantenebene:
- Automation CloudTM – Automation Cloud – Zuweisen von Lizenzen zu Mandanten
- Automation Suite – Automation Suite – Zuweisen von Roboter- und Dienstlizenzen zu Mandanten
Diese Seite enthält je nach verwendeter Aktivität spezifische Informationen zu KI-Einheiten, die die Kosten für jedes KI-Produkt abdecken.
Um die Gesamtverbrauchskosten zu berechnen, wird die folgende Formel verwendet:
prediction cost + hardware cost = consumption costWeitere Informationen finden Sie in den folgenden Abschnitten:
- Vorhersagekosten
- Hardwarekosten
Um die Vorhersagekosten zu berechnen, wird die folgende Formel verwendet:
input size x unit cost of the model = prediction cost5000 characters beträgt beispielsweise:
3 units x 0.5 (Einheitskosten) = 1.5 AI UnitsEingabegröße
| Modell | Eingabetyp | Eingabegröße | Berechnete Eingabegröße |
|---|---|---|---|
| Document UnderstandingTM (UiPath und kundenseitig verwalteter Drittanbieter) | Document | 1 Seite | Anzahl der Seiten im Eingabedokument |
| Communications Mining | JSON | 1 Meldung | Anzahl von Nachrichten pro Mailbox oder Ticketsystem |
| AI Computer Vision | Bild | 1 Bild | Immer 1 |
| Task Mining | Dataset | 1 Datensatz | Immer 1 |
| GenAI-Aktivitäten | String | Der Grenzwert für die String-Größe ist bei jedem Modell unterschiedlich | |
| Andere Modelle | JSON | 2000 Zeichen = 1 Einheit | Ceil(Länge(Eingabe)/2000) |
| Datei | 5 MB = 1 Einheit | Grenze (Größe/5 MB) | |
| Dateien | 5 MB = 1 Einheit | Ceil(Summe(size(Input))/5MB) | |
Verwendetes Modell
| Modell | Wenn wir aufladen | Stückkosten |
|---|---|---|
| Document UnderstandingTM (UiPath und kundenseitig verwalteter Drittanbieter) | Pro Vorhersage | Eine Liste aller Document Understanding-Modelle finden Sie auf der Seite Mess- und Abrechnungslogik im Leitfadeb zu Document Understanding. |
| AI Computer Vision | Pro Vorhersage | 0 |
| Modelle in der Vorschau (wie UiPath Image Classification) | Pro Vorhersage | 0 |
| Task Mining | Pro erfolgreicher Pipeline | 5000 |
| Communications Mining | Pro hochgeladener, geänderter oder vorhergesagter Meldung | Weitere Informationen zu Communications Mining finden Sie in der offiziellen Dokumentation. |
| UiPath Light Text-Klassifizierer | Pro Vorhersage | 0.2 |
| UiPath Multilingual Classifier | Pro Vorhersage | 0,5 |
| UiPath: Erkennung benutzerdefinierter benannter Entitäten | Pro Vorhersage | 0,5 |
| Open-Source-Pakete |
Pro Vorhersage | 0,1 |
| GenAI-Aktivitäten | Pro Ausführung | 1 |
Die Hardwarekosten zum Zeitpunkt der Bereitstellung von ML-Fähigkeiten werden wie folgt berechnet:
replicas x resource costDie Standardanzahl der Replikate hängt vom Kontotyp ab:
- Enterprise-Konto: 2
- Andere Kontotypen: 1
Verwenden Sie die folgende Tabelle, um die Ressourcenkosten für ML-Fähigkeiten zu überprüfen.
| Hardware | Stückkosten |
|---|---|
| 0,5 CPU 2 GB RAM (Standard) | 1 KI-Einheit/Replikat/Stunde |
| 1 CPU 4 GB RAM | 2 KI-Einheiten/Replikat/Stunde |
| 2 CPU 8 GB RAM | 4 KI-Einheiten/Replikat/Stunde |
| 4 CPU 16 GB RAM | 8 KI-Einheiten/Replikat/Stunde |
| 6 CPU 24 GB RAM | 12 KI-Einheiten/Replikat/Stunde |
| GPU | 20 KI-Einheiten/Replikat/Stunde |
Informationen zu den Hardwarekosten für Pipelines finden Sie in der folgenden Tabelle.
| Hardware | Stückkosten |
|---|---|
| CPU | 6 KI-Einheiten/Stunde |
| GPU | 20 KI-Einheiten/Stunde |
Um einen bestimmten Prozess zu automatisieren, müssen Sie die beiden folgenden UiPath-Modelle verwenden:
Der erste Schritt ist das Trainieren des Modells für die mehrsprachige Textklassifizierung durch Ihr Dataset. Das Training dauert 6 Stunden und 30 Minuten bei Verwendung von GPU.
Nach Bereitstellung beider Modelle als HA-Fähigkeiten werden sie für drei Monate auf der CPU ausgeführt. In diesem Zeitraum verarbeitete das Modell für die mehrsprachige Textklassifizierung 20.000 Texte mit jeweils etwa 3.000 Zeichen und das Modell zu Rechnungen 10.000 Rechnungen mit jeweils 2 Seiten.
- Für das Training der mehrsprachigen Textklassifizierung verbrauchte Ai Units:
7(Stunden) x20(AI-Einheiten pro Stunde für GPU) =140 AI Units - Für das dreimonatige Hosten der mehrsprachigen Textklassifizierung verbrauchte AI Units:
24(Stunden in Tag) x90(Anzahl der Tage) x2(AI-Einheiten pro Stunde) =4320 AI Units - Für das dreimonatige Hosten von Rechnungen verbrauchte AI Units:
24(Stunden in Tag) x90(Anzahl der Tage) x2(AI-Einheiten pro Stunde) =4320 AI Units - Für mit der mehrsprachigen Textklassifizierung getroffene Vorhersagen verbrauchte AI Units:
20000(Anzahl der Vorhersagen) x2(Eingabegröße) x0.5(Einheitskosten) =20000 AI Units - Für mit Rechnungen getroffene Vorhersagen verbrauchte AI Units:
10000(Anzahl der Vorhersagen) x2(Eingabegröße) x1(Einheitskosten) =20000 AI Units - Insgesamt verbrauchte AI Units:
hardware cost+predictions cost= (140+4320+4320) + (20000+20000) =48780 AI Units
