HPE lance une plateforme ML Ops pour accélérer le développement de modèles IA

Une nouvelle initiative HPE vise à accélérer la construction de modèles IA en réduisant la dépendance des data scientists vis-à-vis des équipes IT internes.

Une plateforme DevOps pour le machine learning

Hewlett-Packard Enterprise (HPE) a lancé aujourd'hui une initiative formelle HPE ML Ops basée sur une plateforme acquise en rachetant BlueData en novembre dernier.

L'objectif est de fournir aux organisations IT un ensemble de framework DevOps spécifiquement conçu pour accélérer la construction et le déploiement de modèles d'intelligence artificielle (IA) utilisant des algorithmes de machine et deep learning, dit Anant Chintamaneni, vice-président et directeur général pour BlueData chez HPE.

De nombreuses organisations ont embauché des data scientists pour construire des modèles IA, mais elles manquent d'une approche structurée pour les incorporer dans un environnement de production.

« Elles ne savent pas comment l'opérationnaliser, » dit Chintamaneni.

HPE ML Ops permet aussi des workflows avec code, modèle, et dépôts de projets d'une façon qui évoque les processus typiquement associés aux plateformes d'intégration continue/déploiement continu (CI/CD).

Voir aussi : Gartner : 77 % des organisations visent à déployer l'IA, le manque de compétences freine l'adoption

L'acquisition de Blue Data a donné à HPE accès à une plateforme EPIC basée sur conteneurs qui permet aux data scientists de faire tourner leurs propres environnements. Ils peuvent utiliser ces environnements pour construire et mettre à jour des modèles IA qui viennent complets avec des bac à sable en libre-service pré-peuplés d'outils machine learning et notebooks data science qui seraient employés pour entraîner les modèles IA. HPE ML Ops adresse tout le cycle de vie machine learning de la préparation des données et construction de modèle à l'entraînement, surveillance et collaboration d'une façon qui réduit les temps de déploiement IA de jours versus semaines, dit Chintamaneni.

La solution HPE ML Ops supporte une gamme de frameworks open source machine learning et deep learning, incluant Keras, MXNet, PyTorch, et TensorFlow ainsi que des applications machine learning commerciales de partenaires HPE comme Dataiku et H2O.ai. La plateforme peut être déployée sur site ou dans un cloud public et intégrée avec divers protocoles d'authentification pour assurer la cybersécurité.

Collectivement, ces capacités accélèrent le temps auquel les modèles IA sont construits en réduisant la dépendance des data scientists vis-à-vis des équipes IT internes, dit Chintamaneni.

De nombreuses organisations sous-estiment la fréquence à laquelle les modèles IA auront besoin d'être réentraînés et mis à jour. Les organisations accèdent fréquemment à de nouvelles sources de données qui doivent être facturées dans leurs modèles IA. Alors que plus d'applications commencent à consommer des données en temps réel, la quantité de données à évaluer ne fera qu'augmenter.

Beaucoup des hypothèses que les data scientists ont faites sur un processus donné sont aussi sujettes à changement alors que les conditions business évoluantes l'exigent. Un modèle IA qui délivrait des résultats optimaux il y a quelques semaines peut avoir besoin d'être remplacé par un modèle IA différent. Le défi auquel les organisations font face aujourd'hui est qu'il n'y a pas de framework en place pour mettre à jour et entraîner continuellement les modèles IA. Citant les estimations de Gartner, HPE a noté aujourd'hui qu'en 2021 au moins 50 % des projets machine learning ne seront pas pleinement déployés dû à un manque de processus pour les opérationnaliser.

L'IA implique beaucoup plus d'essais-erreurs que beaucoup de data scientists n'aiment l'admettre. Beaucoup des modèles IA construits ont aussi besoin d'être vérifiés pour des biais qui peuvent renvoyer les data scientists à la planche à dessin. Il n'y a vraiment pas de modèle IA statique. Plus tôt les organisations acceptent cette réalité de gestion de données, plus tôt le retour sur investissement dans l'IA se manifestera.