Hewlett Packard Enterprise (HPE) анонсировала программное контейнерное решение HPE ML Ops, созданное для поддержки полного жизненного цикла модели машинного обучения (МО) для локального размещения и облачного – публичного или гибридного. Новое решение представляет собой процесс, подобный DevOps, для стандартизации рабочих процессов машинного обучения и ускорения развертывания систем искусственного интеллекта (ИИ) с нескольких месяцев до нескольких дней.
Новое решение HPE ML Ops расширяет возможности программной платформы BlueData EPIC™, использующей программные контейнеры, тем самым предоставляя специалистам по интеллектуальному анализу данных доступ по запросу к контейнерным средам для работы с распределенным ИИ/МО и аналитикой. Компания BlueData была приобретена HPE в ноябре 2018 года, чтобы улучшить свой портфель предложений в области ИИ, контейнерных приложений и аналитики и таким образом дополнила решения продуктового подразделения HPE Hybrid IT и сервисного HPE Pointnext для внедрения ИИ на предприятиях.
За последние четыре года внедрение ИИ в корпорациях выросло более чем вдвое[1], и организации продолжают инвестировать значительные средства и время в создание моделей машинного и глубокого обучения для широкого спектра применений ИИ, таких как обнаружение мошеннических действий, персонализированная медицина и прогнозная аналитика поведения потребителей. Однако самым большим вызовом, с которым сталкиваются технические специалисты, известным также как «проблема последней мили»– является практическое применение МО для успешного развертывания и управления разработанными моделями и извлечения из них коммерческой выгоды. По данным аналитиков Gartner, к 2021 году, как минимум 50% проектов по МО не будут развернуты полностью из-за недостатков в их практическом применении[2].
HPE ML Ops превращает все технологические инициативы, связанные с ИИ, из экспериментов и пилотных проектов в производственные и бизнес- процессы, охватывая весь жизненный цикл МО: от подготовки данных и построения моделей до обучения, развертывания, мониторинга и их взаимодействия.
«Только работающие модели машинного обучения приносят бизнесу коммерческую выгоду», – считает Кумар Сриканти (Kumar Sreekanti), старший вице-президент и технический директор подразделения Hybrid IT в HPE. – А благодаря HPE ML Ops мы предоставляем единственное решение корпоративного класса, позволяющее реализовать полный жизненный цикл машинного обучения для локального размещения и гибридного облака. Мы привносим скорость и гибкость работы DevOps в МО, обеспечивая более быстрое и экономически эффективное использование ИИ на предприятии».
«От розничной торговли до банковского дела, от производства до здравоохранения и не только – практически все отрасли внедряют или исследуют ИИ/МО для разработки инновационных продуктов и услуг ради получения конкурентного преимущества. Пока большинство предприятий сосредотачивают усилия на фазах построения и обучения своих проектов в области ИИ/МО, они борются за практическое применение полного жизненного цикла МО – от концепции, к пилотному проекту, развёртыванию в продуктивной системе и мониторингу, – сказал Риту Джйоти (Ritu Jyoti), вице-президент программы стратегии искусственного интеллекта в IDC. – HPE восполняет этот пробел, предлагая мультиплатформенное решение для всего жизненного цикла МО на основе технологии контейнеров, предназначенное для поддержки ряда эксплуатационных требований МО, ускорения получения результатов и достижения превосходных результатов в бизнесе».
«Наши онлайн-игры генерируют миллиарды точек данных (data points) каждый день, – говорит Алекс Рябов (Alex Ryabov), руководитель службы обработки данных в Wargaming. – Применяя сложные модели МО, наши специалисты по интеллектуальному анализу данных используют эту информацию для предписывающей аналитики, чтобы улучшить игровой опыт и повысить лояльность наших игроков. С помощью программного обеспечения HPE BlueData мы контейнеризируем эти аналитические и МО среды, чтобы увеличить операционную эффективность и оптимизировать наш бизнес».
Пользуясь HPE ML Ops, специалисты по обработке данных, участвующие в создании и развертывании моделей МО, могут ощутить на себе преимущества наиболее комплексного в отрасли решения для эксплуатации и управления жизненным циклом ИИ на предприятии:
- Построение модели: предварительно подготовленные среды и самообслуживающиеся песочницы для тестирования инструментов МО и ведения записей об анализе данных;
- Обучение модели: масштабируемая среды для обучения с безопасным доступом к данным;
- Развертывание модели: гибкое и быстрое развертывание с функцией воспроизводимости;
- Мониторинг модели: полноценный обзор всего жизненного цикла модели МО;
- Взаимодействие: организация рабочих процессов непрерывной интеграции и доставки (CI/CD) с помощью репозиториев для кода, моделей и проектов;
- Безопасность и контроль: безопасная многопользовательская среда с интеграцией в механизмы аутентификации предприятия;
- Гибридное развертывание: поддержка локального размещения и облачного – публичного или гибридного.
Решение HPE ML Ops совместимо с широким спектром систем машинного и глубокого обучения с открытым исходным кодом, включая Keras, MXNet, PyTorch и TensorFlow, а также с коммерческими приложениями МО в рамках ПО партнерской экосистемы, в том числе на таких платформах, как Dataiku и H2O.ai.
«Будучи давними партнерами сервисного подразделения HPE Pointnext, мы очень рады, что BlueData теперь является частью HPE, – говорит Флориан Дуэтто (Florian Douettaeu), генеральный директор Dataiku. – В Dataiku мы стремимся обеспечить широкомасштабное внедрение машинного обучения на всех предприятиях. Сочетание платформы Dataiku с программным обеспечением HPE BlueData поможет нашим заказчикам успешно масштабировать свои проекты по машинному обучению и находить им практическое применение, достигая ощутимых результатов для бизнеса».
Подробнее о HPE ML Ops: hpe.com/info/MLOps
Доступность:
Решение HPE ML Ops доступно уже сейчас по подписке, наряду с другими услугами HPE Pointnext и службой поддержки.
[1] Источник: Gartner, 2019 CIO Survey: CIOs Have Awoken to the Importance of AI, January 3 2019.
[2] Источник: Gartner, A Guidance Framework for Operationalizing Machine Learning for AI, October 24 2018.
