HPE startet ML-Ops-Plattform zur Beschleunigung der KI-Modellentwicklung

Neue HPE-Initiative zielt darauf ab, KI-Modellbau zu beschleunigen, indem Abhängigkeiten von Data Scientists zu internen IT-Teams reduziert werden.

HPE ML Ops auf Basis von BlueData-Übernahme

Hewlett-Packard Enterprise (HPE) startete heute formell die HPE-ML-Ops-Initiative basierend auf einer Plattform, die durch die Übernahme von BlueData im November gewonnen wurde.

Ziel: IT-Organisationen ein DevOps-Framework bereitstellen, speziell designed für beschleunigten Aufbau und Deployment von KI-Modellen mit Machine- und Deep-Learning-Algorithmen, sagt Anant Chintamaneni, VP und General Manager für BlueData bei HPE.

Viele Organisationen haben Data Scientists für KI-Modellbau eingestellt, aber keinen strukturierten Ansatz, um diese in Produktionsumgebungen zu überführen.

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

HPE ML Ops ermöglicht Workflows mit Code-, Modell- und Projekt-Repositories, analog zu CI/CD-Plattform-Prozessen.

Siehe auch: Gartner: 77 % der Organisationen wollen KI einsetzen, Fachkräftemangel bremst Adoption

Container-basierte EPIC-Plattform für Data-Scientist-Self-Service

Durch BlueData-Übernahme erhielt HPE Zugriff auf eine container-basierte EPIC-Plattform, die Data Scientists ermöglicht, Umgebungen selbst zu provisionieren. Diese nutzen sie für Aufbau und Update von KI-Modellen – mit Self-Service-Sandboxes, vorbefüllt mit ML-Tools und Data-Science-Notebooks für Modelltraining. HPE ML Ops adressiert den gesamten ML-Lebenszyklus: Datenvorbereitung, Modellbau, Training, Monitoring, Collaboration – und reduziert KI-Deployment-Zeiten von Wochen auf Tage, so Chintamaneni.

Die Lösung unterstützt Open-Source-ML/Deep-Learning-Frameworks (Keras, MXNet, PyTorch, TensorFlow) sowie kommerzielle ML-Applikationen von HPE-Partnern (Dataiku, H2O.ai). Deployment On-Premise oder Public Cloud, Integration mit verschiedenen Auth-Protokollen für Cybersicherheit.

Gemeinsam beschleunigen diese Fähigkeiten die Time-to-Model, indem Data-Scientist-Abhängigkeiten von internen IT-Teams reduziert werden, so Chintamaneni.

KI-Modelle brauchen kontinuierliches Retraining

Viele Organisationen unterschätzen, wie häufig KI-Modelle retrainiert und geupdated werden müssen. Neue Datenquellen müssen in Modelle einfließen. Mit mehr Echtzeit-anwendungen steigt das zu evaluierende Datenvolumen.

Annahmen von Data Scientists ändern sich mit Geschäftsbedingungen. Ein vor Wochen optimales Modell muss vielleicht ersetzt werden. Herausforderung: Kein Framework für kontinuierliches Updating/Training. Gartner schätzt: Bis 2021 werden mind. 50 % der ML-Projekte nicht voll deployed wegen fehlender Operationalisierungsprozesse.

KI involviert mehr Trial-and-Error als Data Scientists zugeben. Viele Modelle müssen auf Biases geprüft werden – zurück zum Drawing Board. Kein statisches KI-Modell existiert. Je früher Organisationen diese Data-Management-Realität akzeptieren, desto schneller manifestiert sich ROI in KI.