Szybkość i elastyczność DevOps w uczeniu maszynowym
Możliwość zastosowania sztucznej inteligencji (AI) i uczenia maszynowego (ML) do uzyskiwania wniosków analitycznych z danych jest kluczowym elementem przewagi konkurencyjnej dzisiejszych firm. Współczesne przedsiębiorstwa rozumieją korzyści, jakie może zapewnić im uczenie maszynowe, i chcą rozszerzyć jego wykorzystanie. Jednak w miarę jak przedsiębiorstwa operacjonalizują modele ML, wkraczają w problemy związane z ostatnim etapem zmian odnoszących się do wdrażania modeli i zarządzania nimi. HPE Ezmeral ML Ops zapewnia szybkość na poziomie DevOps i sprawność cyklu życia ML oraz umożliwia dużym przedsiębiorstwom na pokonanie barier związanych z wdrażaniem i operacjonalizacją AI/ML w organizacji.
WYZWANIA ZWIĄZANE Z OPERACJONALIZACJĄ MODELI MACHINE LEARNING
Podobnie jak w przypadku wdrożenia oprogramowania przed DevOps, większość organizacji wykorzystujących naukę o danych nie ma uproszczonych procesów do obsługi przepływów roboczych związanych z ML, co powoduje niepowodzenie wielu projektów. To natomiast hamuje wdrażanie modeli w obecnych procesach biznesowych i aplikacjach.
Korzystanie z narzędzi i praktyk DevOps w przypadku cyklu życia ML wydaje się prostym rozwiązaniem. Jednakże przepływy robocze związane z ML są bardzo
iteracyjne ze swojej natury, a dostępne od ręki narzędzia i metodologie rozwijania oprogramowania tutaj nie działają.
HPE Ezmeral ML Ops odpowiada na wyzwania z operacjonalizacją modeli ML w skali korporacyjnej. Dostawcy usług w chmurze publicznej oferują rozdzielne
usługi, natomiast użytkownicy muszą zebrać kompleksowe przepływy robocze.
POKRYCIE CAŁEGO CYKLU ŻYCIA MACHINE LEARING
HPE Ezmeral ML Ops obsługuje każdy etap cyklu uczenia maszynowego – przygotowanie danych, tworzenie modelu, rozwijanie modelu, wdrażanie modelu,
współpracę i monitorowanie. HPE Ezmeral ML Ops to kompleksowe rozwiązanie do analityki danych, którego elastyczność umożliwia działanie w infrastrukturze lokalnej, w wielu chmurach publicznych lub w modelu hybrydowym, a także reagowanie na dynamicznie zmieniające się wymagania biznesowe w różnorodnych zastosowaniach.
ARCHITEKTURA HPE EZMERAL ML OPS
NAJWAŻNIEJSZE WŁAŚCIWOŚCI
HPE Ezmeral ML Ops stanowi odpowiedź na wszystkie potrzeby cyklu życia ML: począwszy od przygotowania danych aż po budowanie modelu, szkolenie, wdrażanie i monitorowanie.
Budowanie modelu
Gotowe, samoobsługowe środowiska piaskownicy: Środowiska „sandbox” z dowolnymi, preferowanymi narzędziami z zakresu nauki o danych, takimi jak
TensorFlow, Apache Spark, Keras czy PyTorch, pozwalają na równoczesne eksperymenty z wieloma strukturami ML lub głębokiego uczenia (DL).
Rozwijanie modelu
Skalowalne środowiska szkoleniowe z bezpiecznym dostępnym do danych typu Big Data: Dostęp na żądanie do skalowalnych środowisk – pojedynczego węzła lub rozproszonego klastra z wieloma węzłami – do prowadzenia prac rozwojowych oraz testowania lub obsługi obciążeń produkcyjnych. Opatentowane innowacje zapewniają wydajne środowiska rozwoju – z rozdzieleniem mocy obliczeniowej i pamięci masowej – dające bezpieczny dostęp do współdzielonych źródeł danych przedsiębiorstwa w lokalnej lub chmurowej pamięci masowej
Wdrożenie modelu
Elastyczne, skalowalne wdrożenie w punkcie końcowym: HPE Ezmeral ML Ops wdraża obraz czasu działania modelu natywnego, taki jak Python, R, H2O itd., w ramach bezpiecznego, wysoce dostępnego i zrównoważonego pod względem obciążeń oraz skonteneryzowanego punktu końcowego HTTP. Zintegrowany rejestr modelu pozwala śledzić wersje i bezproblemowo aktualizować modele w produkcji. Autoskalowanie w HPE Ezmeral ML Ops dynamicznie zmienia rozmiar węzłów dla silników.
Monitorowanie modelu
Kompleksowa widoczność w ramach całego cyklu życia ML: Kompleksowa widoczność wykorzystania zasobów takich jak GPU, CPU oraz pamięć. Możliwość śledzenia, mierzenia i raportowania wydajności modelu wraz z integracją rozwiązań innych firm do śledzenia dokładności i interoperacyjności.
Współpraca
Obsługa przepływów CI/CD za pomocą repozytoriów kodu, modelu i projektu: Repozytorium projektu oraz integracja GitHub w ramach HPE Ezmeral ML
Ops zapewnia kontrolę źródła, upraszcza współpracę i pozwala na liniowe śledzenie poprawionej zdolności audytu. W rejestrze modeli można przechowywać
wiele modeli – w tym wiele wersji z metadanymi – dla różnych środowisk uruchamiania.
Zabezpieczenia i kontrola
Bezpieczny wielodostęp z integracją z mechanizmami uwierzytelniania dla przedsiębiorstw: Oprogramowanie HPE Ezmeral ML Ops zapewnia wielodostęp i izolację danych, co pozwala na logiczne wydzielenie każdego projektu, grupy lub działu w organizacji. Platforma HPE Ezmeral ML Ops integruje się z zabezpieczeniami i mechanizmami uwierzytelniania dla przedsiębiorstw, takimi jak LDAP, Active Directory czy Kerberos.
Wdrażanie hybrydowe
Lokalnie, w chmurze publicznej lub hybrydowej: Oprogramowanie HPE Ezmeral ML Ops może działać w dowolnej infrastrukturze, w wielu chmurach publicznych (Amazon® Web Services, Google™ Cloud Platform lub Microsoft Azure) lub w modelu hybrydowym, co umożliwia efektywne wykorzystanie zasobów i obniżenie kosztów operacyjnych.
NAJWAŻNIEJSZE KORZYŚCI
Szybszy zwrot z inwestycji: Możesz kontrolować i wdrażać środowiska projektowe, testowe lub produkcyjne w ciągu kilku minut zamiast dni, a także natychmiast wdrażać nowych pracowników zajmujących się nauką o danych z preferowanymi narzędziami i językami bez tworzenia silosów w środowiskach rozwojowych.
Zwiększenie produktywności: Analitycy danych spędzają czas na tworzeniu modeli i analizowaniu wyników zamiast oczekiwać na ukończenie szkoleń. HPE Ezmeral ML Ops pomaga zadbać o dokładność lub wydajność w wielodostępowych środowiskach. Zwiększa to współpracę oraz odtwarzalność dzięki wspólnym
kodom, projektom oraz repozytoriom modeli.
Niższe ryzyko: Zapewnia bezpieczeństwo na poziomie przedsiębiorstwa i kontrolę dostępu do serwerów przetwarzania oraz danych. Śledzenie pochodzenia zmian zapewnia możliwość zarządzania modelem oraz przeprowadzania audytu w celu zapewniania zgodności z przepisami. Integracja z różnym oprogramowaniem innych firm zapewnia łatwość interpretacji modeli. Wdrożenia o wysokiej dostępności pomagają zadbać o działanie najważniejszych aplikacji.
Elastyczność: Możesz prowadzić wdrożenia lokalnie, w chmurze lub w ramach modelu hybrydowego, który będzie pasował do Twoich potrzeb biznesowych. HPE Ezmeral ML Ops automatycznie zmienia skalę klastrów, aby sprostać wymaganiom dynamicznych obciążeń roboczych.
