HPE Lanza Plataforma ML Ops para Acelerar el Desarrollo de Modelos de IA

Una nueva iniciativa de HPE busca acelerar la construcción de modelos de IA reduciendo las dependencias de los científicos de datos en los equipos de TI internos.

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

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

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

"No saben cómo operacionalizarlo", dice Chintamaneni.

HPE ML Ops también permite flujos de trabajo con código, modelos y repositorios de proyectos de una manera que evoca los procesos típicamente asociados con plataformas de integración continua/despliegue continuo (CI/CD).

Ver también: Gartner: 77% de Organizaciones Buscan Desplegar IA, Falta de Habilidades Frena Adopción

Adquirir Blue Data dio a HPE acceso a una plataforma EPIC basada en contenedores que hace posible que los científicos de datos activen entornos por su cuenta. Pueden usar esos entornos para construir y actualizar modelos de IA que vienen completos con sandboxes de autoservicio prepobladas 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 construcción de modelos hasta entrenamiento, monitoreo y colaboración de una manera que reduce los tiempos de despliegue de IA a días versus semanas, dice Chintamaneni.

La solución HPE ML Ops soporta una variedad de marcos de aprendizaje automático y profundo de código abierto, incluyendo Keras, MXNet, PyTorch y TensorFlow, así como aplicaciones comerciales de aprendizaje automático de socios de HPE como Dataiku y H2O.ai. La plataforma puede desplegarse on-premise o en nube pública e integrarse con varios protocolos de autenticación para asegurar ciberseguridad.

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

Muchas organizaciones subestiman con qué frecuencia los modelos de IA necesitarán ser reentrenados y actualizados. Las organizaciones frecuentemente obtienen acceso a nuevas fuentes de datos que necesitan ser factorizadas en sus modelos de IA. A medida que más aplicaciones comienzan a consumir datos en tiempo real, la cantidad de datos que necesita ser evaluada solo aumentará.

Muchas de las suposiciones que los científicos de datos han hecho sobre cualquier proceso dado también están sujetas a cambio a medida que las condiciones empresariales en evolución lo justifican. Un modelo de IA que entregó resultados óptimos hace unas semanas puede necesitar ser reemplazado por un modelo de IA diferente. El desafío que enfrentan las organizaciones hoy es que no hay un marco en su lugar para actualizar y entrenar continuamente modelos de IA. Citando estimaciones de Gartner, HPE señaló hoy que para 2021 al menos el 50% de los proyectos de aprendizaje automático no serán desplegados completamente debido a la falta de procesos para operacionalizarlos.

La IA involucra mucho más prueba y error de lo que muchos científicos de datos a menudo quieren admitir. Muchos de los modelos de IA que se construyen también necesitan ser examinados por sesgos que pueden enviar a los científicos de datos de vuelta a la proverbial mesa de dibujo. Realmente no existe tal cosa como un modelo de IA estático. Cuanto antes las organizaciones acepten esa realidad de gestión de datos, antes se manifestará el retorno de inversiones en IA.