HPE Ezmeral 机器学习运维

数据科学组织仍然需要花费大量时间和精力才能将项目从开发转移到生产，这与 DevOps 前时代的软件开发非常相似。模型版本控制和代码共享都是人工操作，工具和框架也缺乏标准化，导致机器学习模型的产品化工作既繁琐又耗时。HPE Ezmeral 机器学习运维（HPE Ezmeral ML Ops）扩展了 HPE Ezmeral Runtime Enterprise 的功能，为企业机器学习带来了类似 DevOps 的敏捷性。

借助 HPE Ezmeral ML Ops，企业可以通过实施 DevOps 流程来实现 ML 工作流程标准化。

HPE Ezmeral ML Ops 为数据科学团队提供了一个能够满足其端到端数据科学需求的平台，同时可以灵活地在多个公有云或一个混合模型中本地运行机器学习或深度学习 (DL) 工作负载，并响应各种用例中的动态业务需求。

• KubeFlow 1.3（安全增强）和模型监控

• Spark Operator 附加功能、Spark History Server、Spark Thrift Server、Apache Livy 和 Hive Metastore

• Delta Lake 支持

• 支持的 Spark 版本：Apache Spark 2.4.7 和 Apache Spark 3.1.2

• 适用于 Apache Spark 的 HPE Ezmeral Runtime Analytics

• HPE Ezmeral Runtime Enterprise 简介；提升了用户体验的全新用户界面；改进了数据科学家的用户体验；简化编码体验的打包库和适用于 KubeFlow 的笔记本电脑功能

加快实现价值

通过直观的图形用户界面来管理和部署基础设施。

在几分钟而非几天内提供部署、测试或生产环境。

通过选择的工具和语言快速将新的数据科学家部署到位，无须创建孤立的部署环境。

提高工作效率

数据科学家可以把时间用在构建模型和分析结果上，而不是等待培训作业完成。

HPE Ezmeral Runtime Enterprise 有助于避免多租户环境中的准确性或性能出现下降。

通过共享代码、项目和模型存储库改进协作，提高重现性。

降低风险

针对计算和数据实现企业级安全性和访问控制。

谱系追踪可为法规合规性提供模型监管和可审计性。

通过与第三方软件的集成实现可解释性。

高可用性部署可帮助确保关键应用不会发生故障。

兼具灵活性与弹性

在本地、云或混合模型中部署，满足您的业务需求。

自动扩展群集以满足动态工作负载的要求。