HPE past DevOps toe op AI-modellen

Hewlett-Packard Enterprise (HPE) heeft vandaag een formeel HPE ML Ops-initiatief gelanceerd op basis van een platform dat het heeft verworven door BlueData afgelopen november over te nemen.

Het doel is om IT-organisaties te voorzien van een set DevOps-framework dat specifiek is ontworpen om het bouwen en implementeren van kunstmatige intelligentie (AI)-modellen te versnellen met behulp van machine- en deep learning-algoritmen, zegt Anant Chintamaneni, vice-president en algemeen manager voor BlueData bij HPE.

Veel organisaties hebben datawetenschappers ingehuurd om AI-modellen te bouwen, maar ze missen een gestructureerde aanpak om ze in een productieomgeving te integreren.

"Ze weten niet hoe ze het moeten operationaliseren", zegt Chintamaneni.

HPE ML Ops maakt ook workflows mogelijk met code-, model- en projectrepositories op een manier die de processen oproept die doorgaans worden geassocieerd met platforms voor continue integratie/continuous deployment (CI/CD).

Zie ook: Gartner:77% organisaties streven naar inzet van AI, vaardigheid van personeel houdt adoptie tegen

Door de overname van Blue Data kreeg HPE toegang tot een EPIC-platform op basis van containers waarmee datawetenschappers zelf omgevingen kunnen opzetten. Ze kunnen die omgevingen gebruiken om AI-modellen te bouwen en bij te werken die worden geleverd met selfservice-sandboxen die vooraf zijn gevuld met machine learning-tools en data science-notebooks die zouden worden gebruikt om AI-modellen te trainen. HPE ML Ops behandelt de volledige levenscyclus van machine learning, van datavoorbereiding en modelbouw tot training, monitoring en samenwerking op een manier die de implementatietijd van AI reduceert tot dagen in plaats van weken, zegt Chintamaneni.

De HPE ML Ops-oplossing ondersteunt een reeks open source machinelearning- en deep learning-frameworks, waaronder Keras, MXNet, PyTorch en TensorFlow, evenals commerciële machine learning-applicaties van HPE-partners zoals Dataiku en H2O.ai. Het platform kan on-premises of in een openbare cloud worden ingezet en kan worden geïntegreerd met verschillende authenticatieprotocollen om cyberbeveiliging te garanderen.

Gezamenlijk versnellen deze mogelijkheden de tijd waarin AI-modellen worden gebouwd door de afhankelijkheid van datawetenschappers van interne IT-teams te verminderen, zegt Chintamaneni.

Veel organisaties onderschatten hoe vaak AI-modellen moeten worden bijgeschoold en bijgewerkt. Organisaties krijgen vaak toegang tot nieuwe gegevensbronnen die in hun AI-modellen moeten worden verwerkt. Naarmate meer applicaties gegevens in realtime beginnen te verbruiken, zal de hoeveelheid gegevens die moet worden geëvalueerd alleen maar toenemen.

Veel van de veronderstellingen die datawetenschappers hebben gemaakt over een bepaald proces zijn ook onderhevig aan verandering als veranderende bedrijfsomstandigheden dit rechtvaardigen. Een AI-model dat enkele weken geleden optimale resultaten opleverde, moet mogelijk worden vervangen door een ander AI-model. De uitdaging waarmee organisaties tegenwoordig worden geconfronteerd, is dat er geen kader is voor het voortdurend bijwerken en trainen van AI-modellen. Onder verwijzing naar schattingen van Gartner, merkte HPE vandaag op dat tegen 2021 ten minste 50% van de machine learning-projecten niet volledig zal zijn geïmplementeerd vanwege een gebrek aan processen om ze te operationaliseren.

AI omvat veel meer vallen en opstaan ​​dan veel datawetenschappers vaak willen toegeven. Veel van de AI-modellen die worden gebouwd, moeten ook worden doorgelicht op vooroordelen die datawetenschappers terug kunnen sturen naar de spreekwoordelijke tekentafel. Er bestaat niet zoiets als een statisch AI-model. Hoe eerder organisaties zich met die datamanagement-realiteit verzoenen, hoe eerder het rendement op investeringen in AI zich zal manifesteren.