L’adozione dell’intelligenza artificiale nei contesti enterprise è più che raddoppiata negli ultimi quattro anni e le aziende investono tempo e risorse nella messa a punto di modelli di machine learning (ML) 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, i tecnici devono affrontare la sfida legata alla capacità di “operazionalizzare“ il machine learning (inteso come la capacità di inserirlo nei processi operativi di business governandone tutti i workflow), sfida che di fatto rappresenta l’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” (da intendersi anche come misurazione dell’efficacia).
Con HPE ML Ops, Hewlett Packard Enterprise propone una nuova soluzione software basata su container capace di operazionalizzare il ciclo di vita end-to-end del machine learning (dalla preparazione dei dati e dalla costruzione dei modelli all’addestramento, al deployment, al monitoraggio e alla collaborazione) nei deployment on-premise, su cloud pubblici o in ambienti cloud ibridi.
Introducendo un processo simile a DevOps, permette di standardizzare i workflow di ML e accelera i deployment AI negli ambienti enterprise riducendoli da mesi a giorni.
Inoltre, 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.
HPE Machine Learning Ops si rivolge all’intera pipeline ML
«Non c’è settore che non stia adottando o considerando progetti AI/ML per sviluppare prodotti e servizi innovativi e conquistare un vantaggio competitivo. Nonostante la progressiva costruzione e addestramento di progetti AI/ML, la maggior parte delle aziende 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 con una 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».
I team responsabili della data science coinvolti nella costruzione e nel deployment di modelli ML possono sfruttare la soluzione per l’operazionalizzazione e la gestione del ciclo di vita delle AI enterprise dalla costruzione dei modelli in ambienti sandbox self-service pre-pacchettizzati per i tool ML, all’addestramento dei modelli in ambienti di training scalabili con accesso protetto ai dati, al deployment dei modelli rapido e flessibile completo di riproducibilità, al monitoraggio dei modelli con visibilità end-to-end sul ciclo di vita del ML, fino alla collaborazione con repository per codice, modelli e progetti ed infine sicurezza e controllo grazie a multi-tenancy integrata con meccanismi di autenticazione enterprise.
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.
