Hewlett Packard Enterprise (HPE) ha presentado una solución de software basada en contenedores, HPE ML Ops, para dar soporte a todo el ciclo de vida del Machine Learning para entornos de cloud pública, privadas e híbrida. La nueva solución presenta un modelo similar a DevOps para estandarizar los flujos de trabajo en la implantación de plataformas de Machine Learning y reducir su despliegue de meses a días.
La nueva solución HPE ML Ops amplía las capacidades de la plataforma de software basada en contenedores BlueData EPIC™, proporcionando a los equipos dedicados al análisis de datos acceso bajo demanda a entornos de contenedores de Machine Learning y Deep Learning distribuidos. BlueData fue adquirida por HPE en noviembre de 2018 para reforzar su oferta de IA, análisis de datos y contenedores, y complementa también las soluciones de TI híbridas de HPE y los servicios HPE Pointnext para despliegues de IA empresarial.
La adopción de la IA en el entorno empresarial se ha más que duplicado en los últimos cuatro años[1] y las organizaciones continúan invirtiendo tiempo y recursos para construir entornos de Machine Learning y Deep Learning que puedan emplearse en una gran variedad de casos de uso, tales como detección del fraude, medicina personalizada o análisis predictivo de clientes. En cualquier caso, el principal reto al que deben hacer frente los técnicos es cómo poner en marcha estos entornos de IA para desplegar y gestionar con éxito estos modelos, así como para liberar el valor del negocio lo más rápido posible. Según Gartner, en 2021, al menos el 50 por ciento de los proyectos de Machine Learning no se habrán desplegado completamente debido a la falta de operatividad de los mismos.[2]
HPE ML Ops transforma y facilita la gestión de las iniciativas de IA desde las fases de experimentación y los proyectos piloto, hasta la puesta en producción final, abordando todo el ciclo de vida del Machine Learning. HPE ML Ops ayuda a una mejor preparación de los datos, desde la creación de modelos, hasta la formación, implementación, monitorización y colaboración.
“Solamente aquellos modelos operacionales eficientes de Machine Learning ofrecen valor al negocio a largo plazo”, ha declarado Kumar Sreekanti, SVP y CTO de Hybrid IT en HPE. “Y con HPE ML Ops, proporcionamos la única solución empresarial para cubrir el ciclo de vida de extremo a extremo de Machine Learning para el despliegue de entornos cloud híbridos y on-premise. Aportamos la velocidad y agilidad de DevOps al Machine Learning, ofreciendo la posibilidad de sacar mayor partido para el negocio”.
“Desde la distribución a la banca, pasando por la fabricación y el sector sanitario, prácticamente todas las industrias están adoptando o investigando IA, con objeto de desarrollar productos y servicios más innovadores y así obtener mayor ventaja competitiva. La mayoría de las empresas están acelerando sus proyectos, pero están pasando apuros a la hora de cubrir el ciclo de vida completo del Machine Learning desde las fases de prueba de concepto y piloto a la puesta en producción y su monitorización”, ha declarado Ritu Jyoti, vicepresidenta del programa de estrategias de inteligencia artificial en IDC. “HPE está cerrando esta brecha al abordar todo el ciclo de vida de ML con una oferta basada en contenedores y abierta para dar soporte a una amplia gama de requerimientos operacionales de ML, acelerar la ingesta y procesado de los datos y alcanzar mejores resultados empresariales”.
«Nuestros juegos online generan miles de millones de datos cada día», ha declarado Alex Ryabov, jefe de servicios de datos de Wargaming. «Utilizando modelos ML complejos, nuestros científicos de datos aprovechan esta información para realizar análisis predictivos con el fin de mejorar la experiencia de usuario y la lealtad de nuestros jugadores. Con el software BlueData de HPE, podemos desplegar estos entornos ML sobre contenedores para ayudar a mejorar nuestra eficiencia operativa y optimizar nuestro negocio».
Con la solución HPE ML Ops, los analistas pueden participar en la creación e implementación de modelos ML y beneficiarse de la solución de gestión del ciclo de vida y operaciones más completa del sector para la IA empresarial:
- Modelos de arquitectura: permiten a los analistas acceder a entornos pre-empaquetados para construir distintas arquitecturas con un rápido despliegue.
- Modelos de entrenamiento: se dispone de una amplia librería de modelos escalables de entrenamiento con acceso seguro a los datos.
- Modelos de despliegue: para permitir una rápida implementación.
- Modelos de monitorización: con objeto de tener visibilidad de extremo a extremo en todo el ciclo de vida del modelo ML.
- Colaboración: habilitar flujos de trabajo de CI/CD con repositorios de códigos, modelos y proyectos.
- Seguridad y control: soporte de entornos seguros multi-usuario y multi-cliente con integración a los mecanismos de autenticación empresariales.
- Despliegue híbrido: compatibilidad con cloud local, cloud pública o cloud híbrida.
La solución HPE ML Ops funciona con una amplia gama de entornos de código abierto para Machine Learning y Deep Learning entre los que se incluyen Keras, MXNet, PyTorch y TensorFlow, así como aplicaciones comerciales como Dataiku y H2O.ai.
«Como partners de HPE Pointnext desde hace mucho tiempo, estamos entusiasmados con que BlueData forme parte de HPE», ha manifestado Florian Douetteau, CEO de Dataiku. «En Dataiku, nos esforzamos por llevar la adopción de la IA a todas las empresas. La combinación de Dataiku con el software BlueData de HPE ayudará a nuestros clientes a escalar y poner en marcha con éxito sus proyectos de Machine Learning, lo que tendrá un impacto real en su negocio».
Para obtener más información sobre HPE ML Ops, visite: hpe.com/info/MLOps
Disponibilidad
HPE ML Ops está disponible ahora como una suscripción de software, junto con los servicios de implementación de HPE Pointnext y los servicios de atención al cliente.
[1] Source: Gartner, 2019 CIO Survey: CIOs Have Awoken to the Importance of AI, January 3, 2019.
[2] Source: Gartner, A Guidance Framework for Operationalizing Machine Learning for AI, October 24, 2018.
