HPE ML Ops gestisce il ciclo di vita del machine learning

La nuova soluzione HPE ML Ops velocizza il time-to-value dell’intelligenza artificiale riducendolo da mesi a giorni e introduce l'agilità di DevOps nel ciclo di vita dei modelli ML.

machine learning

Hewlett Packard Enterprise (HPE) ha annunciato HPE ML Ops, una soluzione software basata su container che supporta l’intero ciclo di vita dei modelli di machine learning residenti on-premises, su cloud pubblici o in ambienti cloud ibridi. La nuova soluzione introduce un processo simile a DevOps che permette di standardizzare i workflow di machine learning e accelera i deployment AI riducendoli da mesi a giorni.

adv
Investimenti Oracle NetSuite

Prendere decisioni strategiche informate grazie a Business Intelligence e Analytics

Una piattaforma di BI e Analytics deve offrire ai decision maker tutti gli strumenti necessari per migliorare l'efficienza e individuare nuove opportunità prima della concorrenza. Presentiamo una serie di preziose risorse e ricerche in Pdf per approfondire questo argomento da un punto di vista tecnico e strategico. SCARICA LE GUIDE >>

La nuova soluzione estende le capacità della piattaforma software BlueData EPIC, che fornisce ai team responsabili della data science accesso on-demand ad ambienti containerizzati per attività di analytics e AI/ML. BlueData è stata acquisita da HPE nel novembre 2018 allo scopo di arricchirne le proposte dedicate ad AI, analytics e container, affiancandosi alle soluzioni Hybrid IT di HPE e ai servizi Pointnext per i deployment AI enterprise.

L’adozione della AI nei contesti enterprise è più che raddoppiata negli ultimi quattro anni e le aziende continuano a investire significative quantità di tempo e risorse nella messa a punto di modelli di machine learning e deep learning per una vasta gamma di casi di utilizzo, come il rilevamento delle frodi, la medicina personalizzata o la customer analytics predittiva. Tuttavia, la sfida più difficile affrontata dai tecnici risiede nella operazionalizzazione del machine learning, ovvero quel che è altrimenti detto “ultimo miglio” per implementare e gestire tali modelli e ricavarne valore di business. Secondo Gartner, entro il 2021 almeno il 25% dei progetti di machine learning non risulterà completamente implementato proprio a causa della loro mancanza di operazionalizzazione.

HPE ML Ops trasforma le iniziative AI da sperimentazioni e progetti pilota in attività operative e di produzione di livello enterprise, affrontando l’intero ciclo di vita del machine learning, dalla preparazione dei dati e dalla costruzione dei modelli all’addestramento, al deployment, al monitoraggio e alla collaborazione.

“Dal retail alle banche all’industria, fino alla sanità e oltre, non c’è praticamente settore che non stia adottando o considerando progetti AI/ML per sviluppare prodotti e servizi innovativi e conquistare un vantaggio competitivo. Sebbene la maggior parte delle aziende stia procedendo spedita lungo la fase di costruzione e addestramento dei rispettivi progetti AI/ML, esse stanno tuttavia facendo fatica a operazionalizzare l’intero ciclo di vita ML, dalla prova concettuale alla fase pilota, per poi arrivare al deployment in produzione e al monitoraggio” ha affermato Ritu Jyoti, program vice president, Artificial Intelligence (AI) Strategies di IDC. “HPE sta colmando questo gap affrontando l’intero ciclo di vita ML con la sua proposta basata su container e indipendente dalla piattaforma, allo scopo di supportare una serie di requisiti operativi ML, accelerare il time-to-insights complessivo e promuovere risultati di business superiori”.

Con la soluzione HPE ML Ops, i team responsabili della data science coinvolti nella costruzione e nel deployment di modelli ML possono sfruttare la più completa soluzione per l’operazionalizzazione e la gestione del ciclo di vita delle AI enterprise:

  • Costruzione dei modelli: Ambienti sandbox self-service pre-pacchettizzati per i tool ML e i notebook per la data science
  • Addestramento dei modelli: Ambienti di training scalabili con accesso protetto ai dati
  • Deployment dei modelli: Deployment rapido e flessibile completo di riproducibilità
  • Monitoraggio dei modelli: Visibilità end-to-end sul ciclo di vita del modello ML
  • Collaborazione: Workflow CI/CD con repository per codice, modelli e progetti
  • Sicurezza e controllo: Multi-tenancy sicura integrata con meccanismi di autenticazione enterprise
  • Deployment ibrido: Supporto di ambienti on-premises, cloud pubblico e cloud ibrido

La soluzione HPE ML Ops funziona con una vasta gamma di framework open source dedicati al machine learning e al deep learning come Keras, MXNet, PyTorch e TensorFlow, oltre che con applicazioni di machine learning commerciali prodotte da software partner di ecosistema quali Dataiku e H2O.ai.