HPE Lança Plataforma ML Ops para Acelerar Desenvolvimento de Modelos de IA

Uma nova iniciativa da HPE visa acelerar a construção de modelos de IA reduzindo dependências de cientistas de dados em equipes internas de TI.

Hewlett-Packard Enterprise (HPE) lançou hoje uma iniciativa formal HPE ML Ops baseada em uma plataforma que obteve ao adquirir a BlueData em novembro passado.

O objetivo é fornecer às organizações de TI um conjunto de framework DevOps especificamente projetado para acelerar a construção e implantação de modelos de inteligência artificial (IA) usando algoritmos de machine learning e deep learning, diz Anant Chintamaneni, vice-presidente e gerente geral para BlueData na HPE.

Muitas organizações contrataram cientistas de dados para construir modelos de IA, mas lhes falta uma abordagem estruturada para incorporá-los em um ambiente de produção.

"Eles não sabem como operacionalizar," diz Chintamaneni.

HPE ML Ops também permite fluxos de trabalho com código, modelo e repositórios de projeto de uma forma que evoca os processos tipicamente associados com plataformas de integração contínua/implementação contínua (CI/CD).

Veja também: Gartner: 77% das Organizações Pretendem Implantar IA, Falta de Habilidades Retém Adoção

Adquirir a Blue Data deu à HPE acesso a uma plataforma EPIC baseada em containers que torna possível para cientistas de dados criar ambientes por conta própria. Eles podem usar esses ambientes para construir e atualizar modelos de IA que vêm completos com sandboxes de autoatendimento pré-populadas com ferramentas de machine learning e notebooks de ciência de dados que seriam empregados para treinar modelos de IA. HPE ML Ops abrange todo o ciclo de vida de machine learning desde preparação de dados e construção de modelo até treinamento, monitoramento e colaboração de uma forma que reduz tempos de implantação de IA para dias versus semanas, diz Chintamaneni.

A solução HPE ML Ops suporta uma variedade de frameworks open source de machine learning e deep learning, incluindo Keras, MXNet, PyTorch e TensorFlow, bem como aplicações comerciais de machine learning de parceiros da HPE como Dataiku e H2O.ai. A plataforma pode ser implantada on-premises ou em nuvem pública e integrada com vários protocolos de autenticação para garantir cibersegurança.

Coletivamente, essas capacidades aceleram o tempo em que modelos de IA são construídos reduzindo dependências de cientistas de dados em equipes internas de TI, diz Chintamaneni.

Muitas organizações subestimam com que frequência modelos de IA precisarão ser re-treinados e atualizados. Organizações frequentemente ganham acesso a novas fontes de dados que precisam ser fatoradas em seus modelos de IA. À medida que mais aplicações começam a consumir dados em tempo real, a quantidade de dados que precisa ser avaliada só aumentará.

Muitas das suposições que cientistas de dados fizeram sobre qualquer processo também estão sujeitas a mudanças à medida que condições de negócios em evolução exigem. Um modelo de IA que entregou resultados ótimos algumas semanas atrás pode precisar ser substituído por um modelo de IA diferente. O desafio que as organizações enfrentam hoje é que não há framework em vigor para atualizar e treinar continuamente modelos de IA. Citando estimativas do Gartner, a HPE observou hoje que até 2021 pelo menos 50% dos projetos de machine learning não serão totalmente implantados devido à falta de processos para operacionalizá-los.

IA envolve muito mais tentativa e erro do que muitos cientistas de dados gostariam de admitir. Muitos dos modelos de IA sendo construídos também precisam ser verificados para vieses que podem enviar cientistas de dados de volta à prancheta. Não existe tal coisa como um modelo de IA estático. Quanto mais cedo as organizações aceitarem essa realidade de gerenciamento de dados, mais cedo o retorno sobre investimentos em IA se manifestará.