HPE Meluncurkan Platform ML Ops untuk Mempercepat Pengembangan Model AI
Inisiatif baru HPE bertujuan untuk mempercepat pembangunan model AI dengan mengurangi ketergantungan ilmuwan data pada tim IT internal.
Hewlett-Packard Enterprise (HPE) hari ini meluncurkan inisiatif HPE ML Ops formal berdasarkan platform yang didapatkan dengan akuisisi BlueData pada November lalu.
Tujuannya adalah untuk memberikan organisasi IT seperangkat kerangka kerja DevOps yang dirancang khusus untuk mempercepat pembangunan dan penerapan model kecerdasan buatan (AI) menggunakan algoritma machine dan deep learning, kata Anant Chintamaneni, vice president dan general manager untuk BlueData di HPE.
Banyak organisasi telah mempekerjakan ilmuwan data untuk membangun model AI, tetapi mereka tidak memiliki pendekatan terstruktur untuk menggabungkannya ke dalam lingkungan produksi.
"Mereka tidak tahu cara mengoperasionalisasikannya," kata Chintamaneni.
HPE ML Ops juga mengaktifkan workflow dengan kode, model, dan repositori proyek dengan cara yang mengingatkan proses yang biasanya terkait dengan platform continuous integration/continuous deployment (CI/CD).
Lihat juga: Gartner: 77% Organisasi Berencana Menerapkan AI, Keterampilan Staf Menghambat Adopsi
Akuisisi Blue Data memberikan HPE akses ke platform EPIC berbasis kontainer yang memungkinkan ilmuwan data untuk menyalakan lingkungan sendiri. Mereka dapat menggunakan lingkungan tersebut untuk membangun dan memperbarui model AI yang dilengkapi dengan sandbox self-service yang diisi sebelumnya dengan alat machine learning dan buku catatan ilmuwan data yang akan digunakan untuk melatih model AI. HPE ML Ops addressing seluruh siklus hidup machine learning dari persiapan data dan pembangunan model hingga pelatihan, pemantauan, dan kolaborasi dengan cara yang mengurangi waktu penerapan AI menjadi hari dibandingkan minggu, kata Chintamaneni.
Solusi HPE ML Ops mendukung berbagai kerangka kerja machine learning dan deep learning open source, termasuk Keras, MXNet, PyTorch, dan TensorFlow serta aplikasi machine learning komersial dari mitra HPE seperti Dataiku dan H2O.ai. Platform dapat diterapkan on-premises atau di cloud publik dan terintegrasi dengan berbagai protokol autentikasi untuk memastikan keamanan siber.
Secara kolektif, kemampuan tersebut mempercepat waktu pembangunan model AI dengan mengurangi ketergantungan ilmuwan data pada tim IT internal, kata Chintamaneni.
Banyak organisasi meremehkan seberapa sering model AI perlu dilatih ulang dan diperbarui. Organisasi sering mendapatkan akses ke sumber data baru yang perlu dipertimbangkan dalam model AI mereka. Semakin banyak aplikasi yang mulai mengonsumsi data secara real-time, jumlah data yang perlu dievaluasi hanya akan meningkat.
Banyak asumsi yang dibuat ilmuwan data tentang proses apa pun juga dapat berubah seiring berjalannya kondisi bisnis. Model AI yang memberikan hasil optimum beberapa minggu yang lalu mungkin perlu diganti oleh model AI yang berbeda. Tantangan yang dihadapi organisasi saat ini adalah tidak ada kerangka kerja yang tersedia untuk terus memperbarui dan melatih model AI. Mengutip estimasi Gartner, HPE mencatat hari ini bahwa pada 2021 setidaknya 50% proyek machine learning tidak akan sepenuhnya diterapkan karena kurangnya proses untuk mengoperasionalisasikannya.
AI melibatkan banyak lebih banyak coba dan error daripada yang sering diingatkan oleh banyak ilmuwan data. Banyak model AI yang dibangun juga perlu diperiksa untuk bias yang dapat mengirim ilmuwan data kembali ke papan gambar peribahasa. Tidak ada yang namanya model AI statis. Semakin cepat organisasi menyetujui realitas manajemen data ini, semakin cepat return on investment dalam AI akan muncul.
