Infrastructure Solutions German
abbrechen
Suchergebnisse werden angezeigt für 
Stattdessen suchen nach 
Meintest du: 

Neue HPE-Lösung bringt KI schneller auf die Straße

PatrikEdlund

Hewlett Packard Enterprise (HPE) bringt mit HPE ML Ops eine Container-basierte Software-Lösung auf den Markt, die den gesamten Lebenszyklus von Machine-Learning-Modellen unterstützt – im lokalen Rechenzentrum, in der Public Cloud und in hybriden Umgebungen. Die neue Lösung nutzt dazu DevOps-ähnliche Prozesse. Die Projektdauer bis zur Inbetriebnahme kann dadurch von Monaten auf Tage verkürzt werden.

HPE ML Ops_.jpgHPE ML Ops LösungHPE ML Ops (Machine Learning Operations) erweitert die Funktionen der BlueData-EPIC-Plattform und gibt Datenanalysten einen On-demand-Zugang zu Container-Umgebungen für verteilte KI-, ML- und Analytics-Umgebungen. HPE übernahm BlueData im November 2018.

Laut Gartner hat sich der KI-Einsatzgrad in Unternehmen in den letzten vier Jahren mehr als verdoppelt (1). Die Unternehmen investieren viel Zeit und Geld, um Machine-Learning- und Deep-Learning-Modelle für eine große Bandbreite an Anwendungsfällen zu entwickeln – dazu gehören etwa die Betrugsaufdeckung, personalisierte Medizin oder die Prognose der Kundennachfrage. Die größte Herausforderung ist die Inbetriebnahme dieser Modelle, die so genannte „letzte Meile“. Laut Gartner werden bis zum Jahr 2021 mindestens die Hälfte der ML-Projekte aus diesem Grund nicht vollständig betriebsbereit sein (2).

HPEs ML-Ops-Lösung hilft Firmen dabei, KI-Projekte aus dem Pilot- in den Echtbetrieb zu überführen, indem sie den ganzen Lebenszyklus unterstützt: von der Datenvorbereitung und Modellentwicklung über das Training bis hin zur Einführung und dem Monitoring.

„Die meisten Firmen bringen die Entwicklung und das Training von KI-/ML-Modellen gut in Gang, aber es fällt ihnen schwer, den kompletten ML-Lebenszyklus vom PoC- zum Pilot- und Echtbetrieb und Monitoring umzusetzen“, so Ritu Jyoti, Program Vice President für KI-Strategien bei IDC. „HPE schließt diese Lücke mit seinem Container-basierten, Plattform-unabhängigen Angebot, das den gesamten ML-Lebenszyklus abbildet. Es unterstützt eine Reihe von ML-Betriebsanforderungen, führt schneller zu Einsichten und Geschäftsergebnissen.“

HPE ML Ops unterstützt die folgenden Phasen und Funktionen von KI-/KL-Projekten:

  • Modell-Entwicklung – mit vorinstallierten Sandbox-Umgebungen für ML-Werkzeuge und Data Science Notebooks
  • Modell-Training – mit skalierbaren Trainings-Umgebungen und sicherem Datenzugang
  • Modell-Einführung – unterstützt eine flexible, schnelle und nachvollziehbare Einführung
  • Modell-Monitoring – mit Transparenz über den gesamten ML-Lebenszyklus
  • Zusammenarbeit – unterstützt Workflows für Continuous Integration und Continuous Delivery mit Code-, Modell- und Projekt-Repositories
  • Sicherheit und Steuerung – sichert Mehrmandantenfähigkeit durch Integration mit Authentifizierungs-Mechanismen
  • Hybride Architekturen – unterstützt die Einführung im lokalen Rechenzentrum, in der Public Cloud und in hybriden Modellen

HPE ML Ops_App store.pngHPE ML Ops App StoreHPE ML Ops unterstützt eine große Bandbreite von Open-Source-Frameworks für Machine Learning und Deep Learning. Dazu gehören zum Beispiel Keras, MXNet, PyTorch, und TensorFlow – außerdem kommerzielle Machine-Learning-Anwendungen von HPE-Partnern wie Dataiku und H2O.ai.

HPE ML Ops ist ab sofort als SaaS-Lösung zusammen mit Services und Support von HPE Pointnext verfügbar.

Weitere Informationen über HPE ML Ops finden sich hier: hpe.com/info/MLOps

Vgl. auch den Blogbeitrag „Machine Learning Operationalization in the Enterprise“

Die englische Version dieser Meldung finden Sie im globalen Newsroom von Hewlett Packard Enterprise.

(1) Gartner, 2019 CIO Survey: CIOs Have Awoken to the Importance of AI, 3. Januar 2019

(2) Gartner, A Guidance Framework for Operationalizing Machine Learning for AI, 24. Oktober 2018

 

 

0 Kudos
Informationen zum Autor

PatrikEdlund

International Public Relations, Hewlett Packard Enterprise