HPE aplica DevOps a los modelos de IA

Una nueva iniciativa de HPE tiene como objetivo acelerar la creación de modelos de IA mediante la reducción de la dependencia de los científicos de datos en los equipos de TI internos.

Hewlett-Packard Enterprise (HPE) lanzó hoy una iniciativa formal de HPE ML Ops basada en una plataforma que obtuvo al adquirir BlueData en noviembre pasado.

El objetivo es proporcionar a las organizaciones de TI un conjunto de marco DevOps diseñado específicamente para acelerar la creación y la implementación de modelos de inteligencia artificial (IA) utilizando algoritmos de aprendizaje automático y profundo, dice Anant Chintamaneni, vicepresidente y gerente general de BlueData en HPE.

Muchas organizaciones han contratado a científicos de datos para crear modelos de IA, pero carecen de un enfoque estructurado para incorporarlos en un entorno de producción.

“No saben cómo hacerlo operativo”, dice Chintamaneni.

HPE ML Ops también permite flujos de trabajo con repositorios de código, modelo y proyecto de una manera que evoca los procesos típicamente asociados con las plataformas de integración continua/implementación continua (CI/CD).

Ver también: Gartner:el 77 % de las organizaciones tiene como objetivo implementar IA, pero la habilidad del personal frena la adopción

La adquisición de Blue Data le dio a HPE acceso a una plataforma EPIC basada en contenedores que hace posible que los científicos de datos activen los entornos por su cuenta. Pueden usar esos entornos para crear y actualizar modelos de IA que vienen completos con espacios aislados de autoservicio precargados con herramientas de aprendizaje automático y cuadernos de ciencia de datos que se emplearían para entrenar modelos de IA. HPE ML Ops aborda todo el ciclo de vida del aprendizaje automático, desde la preparación de datos y la creación de modelos hasta la capacitación, el monitoreo y la colaboración, de una manera que reduce los tiempos de implementación de IA a días en lugar de semanas, dice Chintamaneni.

La solución HPE ML Ops es compatible con una variedad de marcos de trabajo de aprendizaje profundo y aprendizaje automático de código abierto, incluidos Keras, MXNet, PyTorch y TensorFlow, así como aplicaciones comerciales de aprendizaje automático de socios de HPE, como Dataiku y H2O.ai. La plataforma se puede implementar en las instalaciones o en una nube pública e integrarse con varios protocolos de autenticación para garantizar la ciberseguridad.

En conjunto, esas capacidades aceleran el tiempo hasta el cual se construyen los modelos de IA al reducir las dependencias de los científicos de datos en los equipos internos de TI, dice Chintamaneni.

Muchas organizaciones subestiman la frecuencia con la que los modelos de IA deberán volver a capacitarse y actualizarse. Las organizaciones con frecuencia obtienen acceso a nuevas fuentes de datos que deben tenerse en cuenta en sus modelos de IA. A medida que más aplicaciones comiencen a consumir datos en tiempo real, la cantidad de datos que deben evaluarse solo aumentará.

Muchas de las suposiciones que los científicos de datos han hecho sobre cualquier proceso dado también están sujetas a cambios según lo justifiquen las condiciones comerciales en evolución. Es posible que un modelo de IA que brindó resultados óptimos hace unas semanas deba ser reemplazado por un modelo de IA diferente. El desafío que enfrentan las organizaciones hoy en día es que no existe un marco para actualizar y entrenar continuamente los modelos de IA. Citando estimaciones de Gartner, HPE señaló hoy que para 2021 al menos el 50 % de los proyectos de aprendizaje automático no se implementarán por completo debido a la falta de procesos para ponerlos en funcionamiento.

La IA implica mucho más ensayo y error de lo que a muchos científicos de datos les gusta admitir. Muchos de los modelos de IA que se están construyendo también deben ser examinados en busca de sesgos que puedan enviar a los científicos de datos de vuelta al proverbial tablero de dibujo. Realmente no existe tal cosa como un modelo estático de IA. Cuanto antes las organizaciones acepten esa realidad de gestión de datos, antes se manifestará el retorno de las inversiones en IA.