Hewlett Packard Enterprise ha annunciato Hpe ML Ops, una soluzione software basata su container che supporta l’intero ciclo di vita dei modelli di machine learning residenti on-premises, su cloud pubblici o in ambienti cloud ibridi. La nuova soluzione introduce un processo simile a DevOps che permette di standardizzare i workflow di machine learning e accelera i deployment AI riducendoli da mesi a giorni.
Hpe ML Ops 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.
«Solamente i modelli di machine learning operativi restituiscono valore di business – ha dichiarato Kumar Sreekanti, SVP e CTO, Hybrid IT di Hpe – E con Hpe ML Ops proponiamo l’unica soluzione di classe enterprise capace di operazionalizzare il ciclo di vita end-to-end del machine learning nei deployment on-premises e su cloud ibridi. Estendiamo di fatto la velocità e l’agilità di DevOps al machine learning, velocizzando il time-to-value della AI negli ambienti enterprise».
L’adozione della AI nei contesti enterprise è più che raddoppiata negli ultimi quattro ann e le aziende continuano a investire significative quantità di tempo e risorse nella messa a punto di modelli di machine learning 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, la sfida più difficile affrontata dai tecnici risiede nella operazionalizzazione del ML, quel che è altrimenti detto “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.
«Dal retail alle banche all’industria, fino alla sanità e oltre, non c’è praticamente settore che non stia adottando o considerando progetti AI/ML per sviluppare prodotti e servizi innovativi e conquistare un vantaggio competitivo. Sebbene la maggior parte delle aziende stia procedendo spedita lungo la fase di costruzione e addestramento dei rispettivi progetti AI/ML, esse stanno tuttavia facendo 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 affrontando l’intero ciclo di vita ML con la sua 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».
Hpe ML Ops trasforma le iniziative AI da sperimentazioni e progetti pilota in attività operative e di produzione di livello enterprise, affrontando l’intero ciclo di vita del machine learning, dalla preparazione dei dati e dalla costruzione dei modelli all’addestramento, al deployment, al monitoraggio e alla collaborazione.
«I nostri giochi online generano miliardi di data point ogni giorno – ha sottolineato Alex Ryabov, Head of Data Services di Wargaming – Usando modelli ML complessi, i nostri data scientist possono sfruttare questi dati per attività di analisi prescrittiva che migliorano l’esperienza dei nostri giocatori, il loro lifetime value e la loro fidelizzazione. Con il software BlueData di HPE stiamo containerizzando questi ambienti di ML e analytics per aiutare a migliorare l’efficienza operativa e ottimizzare il nostro business».
Con la soluzione Hpe ML Ops, i team responsabili della data science coinvolti nella costruzione e nel deployment di modelli ML possono sfruttare la più completa soluzione per l’operazionalizzazione e la gestione del ciclo di vita delle AI enterprise: costruzione dei modell (ambienti sandbox self-service pre-pacchettizzati per i tool ML e i notebook per la data science); addestramento dei modelli (ambienti di training scalabili con accesso protetto ai dati); deployment dei modelli (deployment rapido e flessibile completo di riproducibilità); monitoraggio dei modelli (visibilità end-to-end sul ciclo di vita del modello ML); collaborazione (workflow CI/CD con repository per codice, modelli e progetti); sicurezza e controllo (multi-tenancy sicura integrata con meccanismi di autenticazione enterprise); deployment ibrido (supporto di ambienti on-premises, cloud pubblico e cloud ibrido).
