HPE wendet DevOps auf KI-Modelle an

Eine neue HPE-Initiative zielt darauf ab, die Erstellung von KI-Modellen zu beschleunigen, indem die Abhängigkeit von Data Scientists von internen IT-Teams verringert wird.

Hewlett-Packard Enterprise (HPE) hat heute eine formelle HPE ML Ops-Initiative gestartet, die auf einer Plattform basiert, die es durch die Übernahme von BlueData im vergangenen November erhalten hat.

Das Ziel ist es, IT-Organisationen eine Reihe von DevOps-Frameworks zur Verfügung zu stellen, die speziell darauf ausgelegt sind, die Erstellung und Bereitstellung von Modellen für künstliche Intelligenz (KI) mithilfe von Maschinen- und Deep-Learning-Algorithmen zu beschleunigen, sagt Anant Chintamaneni, Vice President und General Manager für BlueData bei HPE /P>

Viele Organisationen haben Datenwissenschaftler eingestellt, um KI-Modelle zu erstellen, aber ihnen fehlt ein strukturierter Ansatz, um sie in eine Produktionsumgebung zu integrieren.

„Sie wissen nicht, wie sie es operationalisieren sollen“, sagt Chintamaneni.

HPE ML Ops ermöglichen auch Workflows mit Code-, Modell- und Projekt-Repositories in einer Weise, die an die Prozesse erinnert, die typischerweise mit CI/CD-Plattformen (Continuous Integration/Continuous Deployment) verbunden sind.

Siehe auch: Gartner:77 % der Unternehmen streben die Bereitstellung von KI an, die Fähigkeiten der Mitarbeiter halten die Akzeptanz zurück

Der Erwerb von Blue Data verschaffte HPE Zugang zu einer EPIC-Plattform, die auf Containern basiert und es Data Scientists ermöglicht, Umgebungen selbst aufzubauen. Sie können diese Umgebungen verwenden, um KI-Modelle zu erstellen und zu aktualisieren, die komplett mit Self-Service-Sandboxen geliefert werden, die mit maschinellen Lerntools und datenwissenschaftlichen Notebooks vorbelegt sind, die zum Trainieren von KI-Modellen verwendet werden. HPE ML Ops adressiert den gesamten Lebenszyklus des maschinellen Lernens von der Datenvorbereitung und Modellerstellung bis hin zu Schulung, Überwachung und Zusammenarbeit auf eine Weise, die die KI-Bereitstellungszeiten auf Tage statt auf Wochen reduziert, sagt Chintamaneni.

Die HPE ML Ops-Lösung unterstützt eine Reihe von Open-Source-Frameworks für maschinelles Lernen und Deep Learning, darunter Keras, MXNet, PyTorch und TensorFlow sowie kommerzielle Anwendungen für maschinelles Lernen von HPE-Partnern wie Dataiku und H2O.ai. Die Plattform kann vor Ort oder in einer öffentlichen Cloud bereitgestellt und mit verschiedenen Authentifizierungsprotokollen integriert werden, um die Cybersicherheit zu gewährleisten.

Zusammengenommen verkürzen diese Funktionen die Zeit, in der KI-Modelle erstellt werden, indem die Abhängigkeit von Datenwissenschaftlern von internen IT-Teams reduziert wird, sagt Chintamaneni.

Viele Organisationen unterschätzen, wie oft KI-Modelle neu trainiert und aktualisiert werden müssen. Unternehmen erhalten häufig Zugang zu neuen Datenquellen, die in ihren KI-Modellen berücksichtigt werden müssen. Je mehr Anwendungen Daten in Echtzeit verbrauchen, desto mehr Daten müssen ausgewertet werden.

Viele der Annahmen, die Data Scientists zu einem bestimmten Prozess getroffen haben, können sich auch ändern, wenn sich die Geschäftsbedingungen ändern. Ein KI-Modell, das vor einigen Wochen optimale Ergebnisse geliefert hat, muss möglicherweise durch ein anderes KI-Modell ersetzt werden. Unternehmen stehen heute vor der Herausforderung, dass es keinen Rahmen für die kontinuierliche Aktualisierung und Schulung von KI-Modellen gibt. Unter Berufung auf Schätzungen von Gartner stellte HPE heute fest, dass bis 2021 mindestens 50 % der Machine-Learning-Projekte aufgrund fehlender Prozesse für ihre Operationalisierung nicht vollständig bereitgestellt werden.

KI beinhaltet viel mehr Versuch und Irrtum, als viele Datenwissenschaftler oft zugeben möchten. Viele der KI-Modelle, die erstellt werden, müssen auch auf Verzerrungen überprüft werden, die Datenwissenschaftler an das sprichwörtliche Reißbrett zurückschicken können. Es gibt wirklich kein statisches KI-Modell. Je eher Organisationen sich mit dieser Datenverwaltungsrealität abfinden, desto eher wird sich die Kapitalrendite in KI manifestieren.