HPE запускает платформу ML Ops для ускорения разработки моделей ИИ

Новая инициатива HPE направлена на ускорение построения моделей ИИ за счет уменьшения зависимости ученых данных от внутренних ИТ-команд.

Hewlett-Packard Enterprise (HPE) сегодня запустила официальную инициативу HPE ML Ops на основе платформы, которую она получила, приобретя BlueData в ноябре прошлого года.

Цель — предоставить ИТ-организациям набор фреймворка DevOps, специально разработанный для ускорения построения 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 наняли ученых данных для построения моделей ИИ, но у них нет структурированного подхода для включения их в производственную среду.

«Они не знают, как операционализировать это», говорит Чинтаманени.

HPE ML Ops также обеспечивает рабочие процессы с кодом, моделью и репозиториями проектов таким образом, который вызывает процессы, обычно ассоциируемые с платформами непрерывной интеграции/непрерывного развертывания (CI/CD).

См. также: Gartner: 77% организаций стремятся внедрить ИИ, дефицит навыков сдерживает принятие

Приобретение Blue Data дало HPE доступ к платформе EPIC на основе контейнеров, которая позволяет ученым данным самостоятельно разворачивать среды. Они могут использовать эти среды для построения и обновления моделей ИИ, которые идут полностью с самообслуживаемыми песочницами, предзаполненными инструментами машинного обучения и блокнотами по науке о данных, которые будут использоваться для обучения моделей ИИ. HPE ML Ops охватывает весь жизненный цикл машинного обучения от подготовки данных и построения модели до обучения, мониторинга и сотрудничества способом, который сокращает время развертывания ИИ до дней вместо недель, говорит Чинтаманени.

Решение HPE ML Ops поддерживает ряд открытых фреймворков машинного и глубокого обучения, включая Keras, MXNet, PyTorch и TensorFlow, а также коммерческие приложения машинного обучения от партнеров HPE, таких как Dataiku и H2O.ai. Платформа может быть развернута локально или в публичном облаке и интегрирована с различными протоколами аутентификации для обеспечения кибербезопасности.

В совокупности эти возможности ускоряют время, к которому строятся модели ИИ, за счет уменьшения зависимости ученых данных от внутренних ИТ-команд, говорит Чинтаманени.

Многие организации недооценивают, как часто модели ИИ будут нуждаться в переобучении и обновлении. Организации часто получают доступ к новым источникам данных, которые нужно учитывать в своих моделях ИИ. По мере того как больше приложений начинают потреблять данные в реальном времени, объем данных, которые нужно оценивать, будет только расти.

Многие предположения, которые ученые данные сделали о каком-либо процессе, также подлежат изменению по мере того, как меняющиеся бизнес-условия этого требуют. Модель ИИ, дававшая оптимальные результаты несколько недель назад, может потребовать замены другой моделью ИИ. Проблема, с которой сталкиваются организации сегодня, заключается в том, что нет фреймворка для непрерывного обновления и обучения моделей ИИ. Ссылаясь на оценки Gartner, HPE отметила сегодня, что к 2021 году как минимум 50% проектов машинного обучения не будут полностью развернуты из-за отсутствия процессов для их операционализации.

ИИ включает гораздо больше проб и ошибок, чем многие ученые данные часто хотят признать. Многие из строящихся моделей ИИ также должны проверяться на предвзятость, которая может вернуть ученых данных к черновику. Не существует статической модели ИИ. Чем быстрее организации примут эту реальность управления данными, тем быстрее проявятся возврат инвестиций в ИИ.