Kontaktieren Sie uns!
Unsere Vertriebsexperten helfen Ihnen gerne weiter
Forrester: Operationalisierung des maschinellen Lernens
Forrester: Operationalisierung des maschinellen Lernens
Forrester führte eine Online-Umfrage durch, um die Komplexitäten des maschinellen Lernens zu ermitteln und herauszufinden, wie ML Ops für den Einsatz des maschinellen Lernens im großen Maßstab in Unternehmen genutzt werden kann.
Forrester-Bericht lesen

OPERATIONALISIERUNG DES MASCHINELLEN LERNENS IM ENTERPRISE-MASSSTAB

HPE Ezmeral ML Ops standardisiert Prozesse und bietet vorkonfektionierte Tools zum Entwickeln, Trainieren, Implementieren sowie Überwachen von Maschinenlern-Workflows mit DevOps-ähnlicher Geschwindigkeit und Agilität in jeder Phase des ML-Lebenszyklus.

+ Mehr anzeigen
HPE GreenLake für ML Ops
Erstellung von Modellen
Sehen Sie sich das Video zu HPE Ezmeral Machine Learning Ops an
Komplette Self-Service-Sandbox-Umgebungen

Stellen Sie in kürzester Zeit Umgebungen mit Ihren bevorzugten Data-Science-Tools bereit, um eine Vielzahl an Datenquellen im Unternehmen zu untersuchen und gleichzeitig mit verschiedenen Frameworks für maschinelles Lernen oder Deep Learning zu experimentieren. So können Sie das am besten geeignete Modell für die zu lösenden Geschäftsprobleme wählen.

Modelltraining
Demo ansehen: Modellerstellung und -training
Single-Node- oder verteilte Multi-Node-Containerumgebungen

Self-Service-Umgebungen on demand für Entwicklung und Tests oder Produktionsworkloads. Extrem leistungsfähige Trainingsumgebungen, in der Datenverarbeitung und Speicherung getrennt sind und die sicher auf gemeinsame Datenquellen vor Ort im Unternehmen oder im Cloudspeicher zugreifen können.

Implementierung und Monitoring von Modellen
Demo ansehen: Modellbereitstellung
Implementierung in Containern mit umfassendem Einblick in die gesamte ML-Pipeline

Implementieren Sie das Runtime-Image des Modells (Python, R, H2O usw.) an einem containerisierten Endpunkt. Mit der Modell-Registry können Modellversionen nachverfolgt und Modelle bei Bedarf nahtlos aktualisiert werden. Sie erhalten vollständigen Einblick in die Runtime-Ressourcennutzung. Verfolgen, messen und dokumentieren Sie die Modellleistung. Speichern und prüfen Sie außerdem Einträge und Ergebnisse für jede Auswertungsanfrage. Durch Integrationen mit Software von Drittanbietern lassen sich Berichte über die Genauigkeit und Interpretierbarkeit von Modellen erstellen.

Zusammenarbeit
Demo ansehen: Projekt-Repository einrichten
CI/CD. A/B- und Canary-Tests

HPE Ezmeral ML Ops ermöglicht die Kontrolle von Quellen mit sofort einsatzfähigen Integrationstools wie GitHub. Speichern Sie mehrere Modelle (mehrere Versionen mit Metadaten) für verschiedene Runtime Engines in der Modell-Registry. Validieren Sie das Modell durch A/B- oder Canary-Tests vor einem umfangreichen Deployment. Ein integriertes Projekt-Repository vereinfacht die Zusammenarbeit und ermöglicht Lineage Tracking für eine bessere Auditierbarkeit.

Sicherheit und Kontrolle
Multi-Tenancy und Datenisolation in gemeinsam genutzten Infrastrukturen und Datenquellen

Stellen Sie durch Multi-Tenancy und Datenisolation die logische Trennung zwischen einzelnen Projekten, Gruppen oder Abteilungen im Unternehmen sicher. Die Plattform lässt sich mit den Authentifizierungs- und Sicherheitsmechanismen von Unternehmen integrieren, z. B. LDAP, Active Directory und Kerberos.

Hybride Implementierung
Hybrid-Cloud-fähig

HPE Ezmeral ML Ops kann in einer On-Premises-Umgebung in jeder beliebigen Infrastruktur, in verschiedenen Public Clouds (Amazon® Web Services, Google® Cloud Platform oder Microsoft® Azure) oder in einem Hybrid-Modell ausgeführt werden. So lassen sich die Ressourcen effizient nutzen und die Betriebskosten senken.

  • 53%
    höhere ProfitabilitätForrester%3A%20Operationalisierung%20des%20maschinellen%20Lernens%2C%20Juni%202020
  • 52%
    besseres KundenerlebnisForrester%3A%20Operationalisierung%20des%20maschinellen%20Lernens%2C%20Juni%202020
  • 49%
    bessere Umsetzung von Best Practices für Data ScienceForrester%3A%20Operationalisierung%20des%20maschinellen%20Lernens%2C%20Juni%202020

HPE ML OPS – TECHNISCHE VIDEOS

HPE EZMERAL ML OPS – PRODUKTDETAILS

HPE Ezmeral ML Ops bewältigt die „letzte Meile“ mithilfe einer Plattform, die eine Cloud-ähnliche Erfahrung in Kombination mit vorgefertigten Tools bietet, um den Lebenszyklus des maschinellen Lernens zu operationalisieren – vom Pilotprojekt bis zur Produktionsumgebung.

+ Mehr anzeigen
HPE Ezmeral ML Ops

Eine Software-Lösung, die den Funktionsumfang von HPE Ezmeral Runtime Enterprise zur Unterstützung des gesamten ML-Lebenszyklus erweitert. Durch Implementierung DevOps-ähnlicher Prozesse zur Standardisierung und Beschleunigung von Maschinenlern-Workflows, erhalten Data Science-Teams die Möglichkeit, mit einem Klick Bereitstellungen für verteilte KI-/ML-Umgebungen vorzunehmen und sicher auf die von ihnen benötigten Daten zuzugreifen.

ERFOLGREICHE UMSETZUNG
Optum Logo

ADVISORY BOARD (OPTUM) KANN DURCH DEN EINSATZ VON HPE EZMERAL MIT KI UND ML IM UNTERNEHMEN GESCHÄFTLICHE ZIELE SCHNELLER ERREICHEN

Advisory Board (Optum) implementiert vorausschauende Analysen und maschinelles Lernen für Big Data mithilfe der containerbasierten Plattform von HPE Ezmeral. Erfahren Sie, wie das Unternehmen Betriebsabläufe optimierte, Kosten senkte und zugleich die Patientenversorgung in US-Krankenhäusern verbesserte.

Herausforderung

Unterstützung von Krankenhäusern in den USA bei der Umwandlung von Big Data in praxisrelevante Informationen, die für einen geschäftlichen Nutzen sorgen.

Die Lösung

Bereitstellung von verteilten ML- und Analyseanwendungen und Trennung von Datenverarbeitung und Arbeitsspeicher vom Datenspeicher.

„HPE Ezmeral half uns bei diesen Herausforderungen mit seiner containerisierten Lösung, die schnellere Erkenntnisse ermöglichte, unsere Kosten reduzierte und unseren Mitarbeitern mehr Zeit für Innovation gab. Unser Unternehmen profitiert erheblich davon und wir freuen uns auf die weitere Zusammenarbeit.“

Ramesh Thyagarajan, Executive Director, Advisory Board (Optum)

Ergebnis

Datenorientierte Erkenntnisse wurden benötigt, um Betriebsabläufe effizienter zu gestalten, Infrastrukturkosten zu senken und die Patientenversorgung zu verbessern. 

Video ansehen