HPE lanceert ML Ops platform om AI-modelontwikkeling te versnellen

Een nieuwe HPE-initiatief is gericht op het versnellen van AI-modelbouw door de afhankelijkheid van data scientists van interne IT-teams te verminderen.

Hewlett-Packard Enterprise (HPE) lanceerde vandaag een formeel HPE ML Ops-initiatief gebaseerd op een platform dat het verwierf door BlueData vorige november over te nemen.

Het doel is om IT-organisaties een set DevOps-framework te bieden specifiek ontworpen om het bouwen en implementeren van kunstmatige intelligentie (AI) modellen met machine en deep learning algoritmes te versnellen, zegt Anant Chintamaneni, vicepresident en general manager voor BlueData bij HPE.

Veel organisaties hebben data scientists aangenomen om AI-modellen te bouwen, maar ze missen een gestructureerde benadering om ze in een productieomgeving te incorporeren.

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

HPE ML Ops stelt ook workflows in met code, model en project repositories op een manier die de processen doet denken die typisch geassocieerd worden met continuous integration/continuous deployment (CI/CD) platforms.

Zie ook: Gartner: 77% Organisaties willen AI implementeren, personeelstoezet houdt adoptie tegen

Het overnemen van Blue Data gaf HPE toegang tot een EPIC-platform gebaseerd op containers dat het mogelijk maakt voor data scientists om omgevingen op eigen initiatief op te starten. Ze kunnen die omgevingen gebruiken om AI-modellen te bouwen en bij te werken die compleet zijn met self-service sandboxes vooraf gevuld met machine learning tools en data science notebooks die gebruikt zouden worden om AI-modellen te trainen. HPE ML Ops adresneemt de gehele machine learning lifecycle van datavoorbereiding en modelbouw tot training, monitoring en samenwerking op een manier die AI-implementatietijden reduceert tot dagen versus weken, zegt Chintamaneni.

De HPE ML Ops-oplossing ondersteunt een reeks open source machine learning en deep learning frameworks, inclusief Keras, MXNet, PyTorch en TensorFlow alsook commerciële machine learning applicaties van HPE-partners zoals Dataiku en H2O.ai. Het platform kan on-premises of in een publieke cloud geïmplementeerd worden en geïntegreerd met diverse authenticatieprotocollen om cyberbeveiliging te waarborgen.

Samen versnellen die mogelijkheden de tijd tot AI-modellen gebouwd zijn door de afhankelijkheid van data scientists van interne IT-teams te verminderen, zegt Chintamaneni.

Veel organisaties onderschatten hoe frequent AI-modellen hergetraind en bijgewerkt moeten worden. Organisaties krijgen frequent toegang tot nieuwe databronnen die in hun AI-modellen gefactoreerd moeten worden. Naarmate meer applicaties beginnen data in realtime te consumeren, zal de hoeveelheid data die geëvalueerd moet worden alleen toenemen.

Veel van de aannames die data scientists over elk gegeven proces gemaakt hebben, zijn ook onderwerp van verandering naarmate evoluerende bedrijfsomstandigheden dat rechtvaardigen. Een AI-model dat een paar weken geleden optimale resultaten leverde, moet misschien vervangen worden door een ander AI-model. De uitdaging waar organisaties vandaag de dag mee worstelen is dat er geen framework is voor het continu bijwerken en trainen van AI-modellen. Citerend Gartner-schattingen, merkte HPE vandaag op dat bij 2021 ten minste 50% van machine learning projecten niet volledig geïmplementeerd zal zijn vanwege een gebrek aan processen voor het operationeel maken ervan.

AI omvat veel meer trial and error dan veel data scientists vaak willen toegeven. Veel van de AI-modellen die gebouwd worden, moeten ook gecontroleerd worden op biases die data scientists terug naar het tekenbord kunnen sturen. Er is eigenlijk geen zoiets als een statisch AI-model. Hoe sneller organisaties zich verzoenen met die datamanagementrealiteit, hoe sneller de return on investments in AI zich zullen manifesteren.