Böblingen, Starnberg, 24. Sept. 2019 - Unterstützt den Lebenszyklus von Machine-Learning (ML) Modellen mit DevOps-Prozessen für eine schnellere Inbetriebnahme...

Zum Hintergrund: Laut Gartner hat sich der KI-Einsatzgrad in Unternehmen in den letzten vier Jahren mehr als verdoppelt (1). Die Unternehmen investieren somit viel Zeit und Geld, um Machine-Learning- und Deep-Learning-Modelle für eine große Bandbreite an Anwendungsfällen zu entwickeln – dazu gehören etwa die Betrugsaufdeckung, personalisierte Medizin oder die Prognose der Kundennachfrage. Die größte Herausforderung ist demnach aber die Inbetriebnahme dieser Modelle, die so genannte „letzte Meile“. Laut Gartner sollen bis zum Jahr 2021 mindestens die Hälfte der ML-Projekte aus diesem Grund nicht vollständig betriebsbereit sein (2).

Hewlett Packard Enterprise bringt mit HPE ML Ops jetzt eine Container-basierte Software-Lösung auf den Markt, die den gesamten Lebenszyklus von Machine-Learning-Modellen unterstützt – im lokalen Rechenzentrum, in der Public Cloud und in hybriden Umgebungen. Die neue Lösung nutzt dazu DevOps-ähnliche Prozesse. Die Projektdauer bis zur Inbetriebnahme soll dadurch von Monaten auf Tage verkürzt werden können. HPE ML Ops (Machine Learning Operations) erweitert die Funktionen der BlueData-EPIC-Plattform und gibt Datenanalysten einen On-demand-Zugang zu Container-Umgebungen für verteilte KI-, ML- und Analytics-Umgebungen (Anmerkung: HPE hat BlueData im November 2018 übernommen**).

HPEs ML-Ops-Lösung soll Firmen dabei unterstützen, KI-Projekte aus dem Pilot- in den Echtbetrieb zu überführen, indem sie den ganzen Lebenszyklus unterstützt: von der Datenvorbereitung und Modellentwicklung über das Training bis hin zur Einführung und dem Monitoring. Kommentar Ritu Jyoti, Program Vice President für KI-Strategien bei IDC: „HPE schließt diese Lücke mit seinem Container-basierten, Plattform-unabhängigen Angebot, das den gesamten ML-Lebenszyklus abbildet. Es unterstützt eine Reihe von ML-Betriebsanforderungen, führt schneller zu Einsichten und Geschäftsergebnissen.“ HPE ML Ops unterstützt laut Entwickler die folgenden Phasen und Funktionen von KI-/KL-Projekten:

• Modell-Entwicklung – mit vorinstallierten Sandbox-Umgebungen für ML-Werkzeuge und Data Science Notebooks
• Modell-Training – mit skalierbaren Trainings-Umgebungen und sicherem Datenzugang
• Modell-Einführung – unterstützt eine flexible, schnelle und nachvollziehbare Einführung
• Modell-Monitoring – mit Transparenz über den gesamten ML-Lebenszyklus
• Zusammenarbeit – unterstützt Workflows für Continuous Integration und Continuous Delivery mit Code-, Modell- und Projekt-Repositories
• Sicherheit und Steuerung – sichert Mehrmandantenfähigkeit durch Integration mit Authentifizierungs-Mechanismen
• Hybride Architekturen – unterstützt die Einführung im lokalen Rechenzentrum, in der Public Cloud und in hybriden Modellen.

Abb. 1: HPE ML Ops (Machine Learning Operations) Lösung, Übersicht (Bildquelle: HPE)

HPE ML Ops unterstützt eine Vielzahl von Open-Source-Frameworks für Machine Learning und Deep Learning. Dazu gehören zum Beispiel Keras, MXNet, PyTorch, und TensorFlow – außerdem kommerzielle Machine-Learning-Anwendungen von HPE-Partnern wie Dataiku und H2O.ai. HPE ML Ops ist laut Anbieter ab sofort als SaaS-Lösung zusammen mit Services und Support von HPE Pointnext verfügbar.

Quellen:

(1) Gartner, 2019 CIO Survey: CIOs Have Awoken to the Importance of AI, 3. Januar 2019

(2) Gartner, A Guidance Framework for Operationalizing Machine Learning for AI, 24. Oktober 2018

HPE Blogbeitrag > Machine Learning Operationalization in the Enterprise

Querverweis:

**Unser Beitrag > HPE BlueData: Big Data- und KI-Apps lokal und in der Cloud vereinfacht bereitstellen