- Notes de publication
- Démarrage
- Notifications
- Projets
- Jeux de données
- Labellisation des données
- Paquets ML
- Paquets prêts à l’emploi
- Pipelines
- Compétences ML
- Journaux ML
- Document UnderstandingTM dans AI Center
- API AI Center
- Licences
- Modèles de solutions d'IA
- Comment
- Guide de dépannage de base
AI Units
- Monitoring license allocation page from the Automation CloudTM Admin Guide for organization level consumption.
- Page d' aperçu de la consommation au niveau du locataire des AI Units du Guide Insights pour la consommation au niveau du locataire.
Les unités d'IA sont la mesure utilisée pour autoriser les produits d'IA. Les unités AI sont facturées en fonction de la consommation lorsque les modèles vous apportent de la valeur.
Pour plus d'informations générales sur la consommation d'AI Units pour nos produits AI, consultez les sections Logique de comptage et de charge et Suivi des licences ci-dessous.
Pour plus de détails sur la consommation d'AI Units pour Process Mining, consultez la page Licence (License) du guide Process Mining.
Vous pouvez également allouer et suivre la consommation d'AI Units au niveau du locataire. Consultez les pages d'attribution au niveau du locataire pour plus de détails :
- Automation CloudTM - Automation Cloud - Attribution de licences à des locataires
- Automation Suite - Automation Suite - Attribuer des licences de robots et de services aux locataires
Cette page contient des informations spécifiques concernant les unités d'IA en fonction de l'activité utilisée, couvrant le coût de chaque produit d'IA.
Pour calculer le coût global de la consommation, la formule suivante est utilisée :
prediction cost
+ hardware cost
= consumption cost
Pour plus d’informations, consultez les sections suivantes ci-dessous :
- Coût de la prédiction
- Coût du matériel
Pour calculer le coût de prédiction, la formule suivante est utilisée :
input size
x unit cost of the model
= prediction cost
5000 characters
est la suivante :
3 units
x 0.5
(coût unitaire) = 1.5 AI Units
Taille d'entrée
Modèle | Type d'entrée | Taille d'entrée | Taille d'entrée calculée |
---|---|---|---|
Document UnderstandingTM (UiPath and Customer-Managed third party) | Document | 1 page | Nombre de pages dans le document d'entrée |
Communications Mining | JSON | 1 message | Nombre de messages par boîte aux lettres ou système de tickets |
AI Computer Vision | Image | 1 photo | Toujours 1 |
Task Mining | Jeu de données | 1 ensemble de données | Toujours 1 |
Activités GenAI | Chaîne de caractères (string) | La limite de taille de string est différente pour chaque modèle | |
Autres modèles | JSON | 2000 caractères = 1 unité | Plafond(longueur(entrée)/2000) |
Fichier | 5 Mo = 1 unité | Plafond (taille/5 Mo) | |
Fichiers | 5 Mo = 1 unité | Plafond(somme(taille(entrée))/5 Mo) |
Modèle utilisé
Modèle | Quand facturons-nous | Coût unitaire |
---|---|---|
Document UnderstandingTM (UiPath and Customer-Managed third party) | Par prédiction | Pour obtenir la liste de tous les modèles de Document Understanding, consultez la page Logique de comptage et de charge du guide Document Understanding. |
AI Computer Vision | Par prédiction | 0 |
Modèles en prévisualisation (comme la classification des images UiPath) | Par prédiction | 0 |
Task Mining | Par pipeline réussi | 5000 |
Communications Mining | Par message téléchargé, modifié ou prévu | Pour plus d'informations sur la logique de charge de Communications Mining , consultez la documentation officielle. |
Classifieur UiPath Light Text | Par prédiction | 0.2 |
Classifieur multilingue UiPath | Par prédiction | 0,5 |
Reconnaissance d’entité nommée personnalisée UiPath | Par prédiction | 0,5 |
Paquets Open Source |
Par prédiction | 0,1 |
Activités GenAI | Par exécution | 1 - without Context grounding
2 - with Context grounding |
Le coût du matériel au moment du déploiement de ML Skills est calculé comme suit :
replicas
x resource cost
Le nombre de réplicas par défaut dépend du type de compte :
- Compte Enterprise : 2
- Autres types de compte : 1
Utilisez le tableau suivant pour vérifier le coût des ressources pour les compétences ML.
Matériel | Coût unitaire |
---|---|
0,5 processeur 2 Go de RAM (par défaut) | 1 unité IA/réplique/heure |
1 processeur 4 Go de RAM | 2 unités IA/réplique/heure |
2 processeurs 8 Go de RAM | 4 unités IA/réplique/heure |
4 processeurs 16 Go de RAM | 8 unités IA/réplique/heure |
6 processeurs 24 Go de RAM | 12 unités IA/réplique/heure |
GPU | 20 unités IA/réplique/heure |
Pour connaître le coût du matériel lié aux pipelines, consultez le tableau suivant.
Matériel | Coût unitaire |
---|---|
Processeur | 6 unités AI / heure |
GPU | 20 unités AI / heure |
Pour automatiser un processus donné, vous devez utiliser les deux modèles UiPath suivants :
La première étape consiste à entraîner le modèle Classification de texte multilingue sur votre ensemble de données. L'entraînement dure 6 heures et 30 minutes en utilisant le GPU.
Après avoir déployé les deux modèles en tant que compétences haute disponibilité, ils fonctionnent sur le processeur pendant trois mois. Pendant ce temps, le modèle Classification de texte multilingue a traité 20 000 textes, tous d'environ 3 000 caractères, tandis que le modèle Factures a traité 10 000 factures contenant 2 pages chacune.
- Les AI Units utilisées pour l'entraînement Classification des textes multilingues :
7
(heures) x20
(unités AI par heure pour le GPU) =140 AI Units
- Les AI Units utilisées pour l'hébergement de la classification des textes multilingues pendant trois mois :
24
(heures dans la journée) x90
(nombre de jours) x2
(unités AI par heure) =4320 AI Units
- AI Units utilisées pour héberger des factures pendant trois mois :
24
(heures dans la journée) x90
(nombre de jours) x2
(unités AI par heure) =4320 AI Units
- AI Units utilisées pour les prévisions effectuées à l'aide de la classification des textes multilingues :
20000
(nombre de prédictions) x2
(taille de l'entrée) x0.5
(coût unitaire) =20000 AI Units
- AI Units utilisées pour les prévisions effectuées à l'aide de Factures :
10000
(nombre de prédictions) x2
(taille de l'entrée) x1
(coût unitaire) =20000 AI Units
- AI Units consommées au total :
hardware cost
+predictions cost
= (140
+4320
+4320
) + (20000
+20000
) =48780 AI Units