HPE применяет DevOps к моделям ИИ

Новая инициатива HPE направлена ​​на ускорение создания моделей ИИ за счет уменьшения зависимости специалистов по данным от внутренних ИТ-команд.

Компания Hewlett-Packard Enterprise (HPE) сегодня запустила официальную инициативу HPE ML Ops на основе платформы, полученной в результате приобретения BlueData в ноябре прошлого года.

Цель состоит в том, чтобы предоставить ИТ-организациям набор сред DevOps, специально предназначенных для ускорения создания и развертывания моделей искусственного интеллекта (ИИ) с использованием алгоритмов машинного и глубокого обучения, — говорит Анант Чинтаманени, вице-президент и генеральный менеджер BlueData в HPE.

Многие организации нанимают специалистов по данным для создания моделей ИИ, но им не хватает структурированного подхода для включения их в них в производственной среде.

«Они не знают, как это реализовать», — говорит Чинтаманени.

HPE ML Ops также обеспечивает рабочие процессы с репозиториями кода, моделей и проектов таким образом, который напоминает процессы, обычно связанные с платформами непрерывной интеграции/непрерывного развертывания (CI/CD).

См. также: Gartner:77 % организаций стремятся внедрить ИИ, но навыки персонала сдерживают внедрение

Приобретение Blue Data дало HPE доступ к платформе EPIC, основанной на контейнерах, которая позволяет специалистам по обработке и анализу данных самостоятельно раскручивать среды. Они могут использовать эти среды для создания и обновления моделей ИИ, которые поставляются в комплекте с песочницами самообслуживания, предварительно заполненными инструментами машинного обучения и блокнотами для обработки данных, которые будут использоваться для обучения моделей ИИ. По словам Чинтаманени, HPE ML Ops охватывает весь жизненный цикл машинного обучения — от подготовки данных и построения моделей до обучения, мониторинга и совместной работы — таким образом, что время развертывания ИИ сокращается до нескольких дней, а не недель.

Решение HPE ML Ops поддерживает ряд сред машинного обучения и глубокого обучения с открытым исходным кодом, включая Keras, MXNet, PyTorch и TensorFlow, а также коммерческие приложения машинного обучения от партнеров HPE, таких как Dataiku и H2O.ai. Платформу можно развернуть локально или в общедоступном облаке и интегрировать с различными протоколами аутентификации для обеспечения кибербезопасности.

В совокупности эти возможности ускоряют создание моделей ИИ за счет сокращения зависимости специалистов по данным от внутренних ИТ-команд, – говорит Чинтаманени.

Многие организации недооценивают, как часто модели ИИ нужно будет переобучать и обновлять. Организации часто получают доступ к новым источникам данных, которые необходимо учитывать в их моделях ИИ. По мере того как все больше приложений начинают потреблять данные в режиме реального времени, объем данных, которые необходимо оценивать, будет только увеличиваться.

Многие предположения, сделанные специалистами по обработке и анализу данных о каком-либо конкретном процессе, также могут быть изменены по мере того, как этого требуют меняющиеся условия бизнеса. Модель ИИ, которая несколько недель назад давала оптимальные результаты, возможно, потребуется заменить другой моделью ИИ. Сегодня организации сталкиваются с проблемой отсутствия основы для постоянного обновления и обучения моделей ИИ. Ссылаясь на оценки Gartner, компания HPE сегодня отметила, что к 2021 году по крайней мере 50 % проектов машинного обучения не будут развернуты полностью из-за отсутствия процессов для их внедрения.

ИИ включает в себя гораздо больше проб и ошибок, чем многие специалисты по данным часто признают. Многие из создаваемых моделей ИИ также нуждаются в проверке на наличие предубеждений, которые могут отправить специалистов по обработке и анализу данных обратно к чертежной доске. На самом деле не существует такой вещи, как статическая модель ИИ. Чем раньше организации смирятся с реальностью управления данными, тем быстрее проявится окупаемость инвестиций в ИИ.