HPE applique DevOps aux modèles d'IA

Une nouvelle initiative HPE vise à accélérer la création de modèles d'IA en réduisant la dépendance des data scientists vis-à-vis des équipes informatiques internes.

Hewlett-Packard Enterprise (HPE) a lancé aujourd'hui une initiative formelle HPE ML Ops basée sur une plate-forme acquise lors de l'acquisition de BlueData en novembre dernier.

L'objectif est de fournir aux organisations informatiques un ensemble de cadres DevOps spécialement conçus pour accélérer la création et le déploiement de modèles d'intelligence artificielle (IA) à l'aide d'algorithmes d'apprentissage automatique et profond, déclare Anant Chintamaneni, vice-président et directeur général de BlueData chez HPE.

De nombreuses organisations ont embauché des data scientists pour créer des modèles d'IA, mais il leur manque une approche structurée pour les intégrer dans un environnement de production.

"Ils ne savent pas comment l'opérationnaliser", déclare Chintamaneni.

HPE ML Ops permet également des flux de travail avec des référentiels de code, de modèle et de projet d'une manière qui évoque les processus généralement associés aux plates-formes d'intégration/déploiement continu (CI/CD).

Voir aussi : Gartner :77 % des organisations visent à déployer l'IA, les compétences du personnel retardent l'adoption

L'acquisition de Blue Data a permis à HPE d'accéder à une plate-forme EPIC basée sur des conteneurs qui permet aux data scientists de créer eux-mêmes des environnements. Ils peuvent utiliser ces environnements pour créer et mettre à jour des modèles d'IA qui sont fournis avec des bacs à sable en libre-service préremplis avec des outils d'apprentissage automatique et des blocs-notes de science des données qui seraient utilisés pour former des modèles d'IA. HPE ML Ops aborde l'ensemble du cycle de vie de l'apprentissage automatique, de la préparation des données et de la création de modèles à la formation, la surveillance et la collaboration, d'une manière qui réduit les délais de déploiement de l'IA à quelques jours plutôt qu'à plusieurs semaines, déclare Chintamaneni.

La solution HPE ML Ops prend en charge une gamme de cadres d'apprentissage automatique et d'apprentissage en profondeur open source, notamment Keras, MXNet, PyTorch et TensorFlow, ainsi que des applications d'apprentissage automatique commerciales de partenaires HPE tels que Dataiku et H2O.ai. La plate-forme peut être déployée sur site ou dans un cloud public et intégrée à divers protocoles d'authentification pour garantir la cybersécurité.

Collectivement, ces capacités accélèrent le temps de construction des modèles d'IA en réduisant les dépendances des scientifiques des données vis-à-vis des équipes informatiques internes, déclare Chintamaneni.

De nombreuses organisations sous-estiment la fréquence à laquelle les modèles d'IA devront être recyclés et mis à jour. Les organisations ont fréquemment accès à de nouvelles sources de données qui doivent être prises en compte dans leurs modèles d'IA. À mesure que de plus en plus d'applications commenceront à consommer des données en temps réel, la quantité de données à évaluer ne fera qu'augmenter.

De nombreuses hypothèses formulées par les scientifiques des données sur un processus donné sont également susceptibles de changer en fonction de l'évolution des conditions commerciales. Un modèle d'IA qui a fourni des résultats optimaux il y a quelques semaines devra peut-être être remplacé par un autre modèle d'IA. Le défi auquel les organisations sont confrontées aujourd'hui est qu'il n'y a pas de cadre en place pour mettre à jour et former en permanence les modèles d'IA. Citant des estimations de Gartner, HPE a noté aujourd'hui que d'ici 2021, au moins 50 % des projets d'apprentissage automatique ne seront pas entièrement déployés en raison d'un manque de processus pour les opérationnaliser.

L'IA implique beaucoup plus d'essais et d'erreurs que de nombreux scientifiques des données aiment souvent l'admettre. De nombreux modèles d'IA en cours de construction doivent également être vérifiés pour les biais qui peuvent renvoyer les scientifiques des données à la planche à dessin proverbiale. Il n'existe vraiment pas de modèle d'IA statique. Plus tôt les organisations accepteront cette réalité de la gestion des données, plus tôt le retour sur investissement dans l'IA se manifestera.