HPE aplica DevOps a modelos de IA

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

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

O objetivo é fornecer às organizações de TI um conjunto de estruturas de DevOps especificamente projetadas para acelerar a construção e implantação de modelos de inteligência artificial (IA) usando algoritmos de aprendizado profundo e de máquina, diz Anant Chintamaneni, vice-presidente e gerente geral da BlueData na HPE.

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

“Eles não sabem como operacionalizá-lo”, diz Chintamaneni.

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

Veja também: Gartner:77% das organizações pretendem implantar IA, mas a habilidade da equipe impede a adoção

A aquisição da Blue Data deu à HPE acesso a uma plataforma EPIC baseada em contêineres que possibilita aos cientistas de dados criar ambientes por conta própria. Eles podem usar esses ambientes para criar e atualizar modelos de IA que vêm completos com sandboxes de autoatendimento pré-preenchidas com ferramentas de aprendizado de máquina e notebooks de ciência de dados que seriam empregados para treinar modelos de IA. O HPE ML Ops aborda todo o ciclo de vida do aprendizado de máquina, desde a preparação de dados e construção de modelos até o treinamento, monitoramento e colaboração de uma forma que reduz os tempos de implantação de IA para dias em vez de semanas, diz Chintamaneni.

A solução HPE ML Ops oferece suporte a uma variedade de estruturas de aprendizado de máquina e aprendizado profundo de código aberto, incluindo Keras, MXNet, PyTorch e TensorFlow, bem como aplicativos comerciais de aprendizado de máquina de parceiros da HPE, como Dataiku e H2O.ai. A plataforma pode ser implantada no local ou em uma nuvem pública e integrada a vários protocolos de autenticação para garantir a segurança cibernética.

Coletivamente, esses recursos aceleram o tempo em que os modelos de IA são construídos, reduzindo a dependência de cientistas de dados em equipes internas de TI, diz Chintamaneni.

Muitas organizações subestimam a frequência com que os modelos de IA precisarão ser treinados e atualizados. As organizações frequentemente obtêm acesso a novas fontes de dados que precisam ser consideradas em seus modelos de IA. À medida que mais aplicativos começam a consumir dados em tempo real, a quantidade de dados que precisa ser avaliada só aumentará.

Muitas das suposições que os cientistas de dados fizeram sobre qualquer processo também estão sujeitas a alterações conforme a evolução das condições de negócios. Um modelo de IA que apresentou 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 uma estrutura para atualizar e treinar continuamente os modelos de IA. Citando estimativas do Gartner, a HPE observou hoje que até 2021 pelo menos 50% dos projetos de aprendizado de máquina não serão totalmente implantados devido à falta de processos para operacionalizá-los.

A IA envolve muito mais tentativa e erro do que muitos cientistas de dados costumam admitir. Muitos dos modelos de IA que estão sendo construídos também precisam ser examinados quanto a vieses que podem enviar os cientistas de dados de volta à proverbial prancheta. Realmente não existe um modelo de IA estático. Quanto mais cedo as organizações aceitarem essa realidade de gerenciamento de dados, mais cedo o retorno dos investimentos em IA se manifestará.