HPE Machine Learning Ops

Entornos de autoservicio bajo demanda para desarrollo y pruebas, o para cargas de trabajo de producción. Entornos de formación de gran rendimiento, con separación de almacenamiento y procesamiento, que permiten un acceso seguro a las fuentes de datos empresariales compartidas en el almacenamiento local y basado en la nube.

Implementa la imagen de tiempo de ejecución del modelo (Python, R, H2O, etc.) en un punto final contenedorizado con el registro de modelo, las versiones de seguimiento del modelo y los modelos de actualización sin interrupciones según necesidad. Obtén visibilidad completa del uso de los recursos de tiempo de ejecución. Realiza un seguimiento, mide e informa sobre el rendimiento del modelo, y ahorra e inspecciona las entradas y salidas de datos para cada solicitud de puntuación. La integración con software de terceros proporciona interpretabilidad y precisión del modelo.

HPE ML Ops permite el control de fuentes gracias a las herramientas de integración listas para usar, como GitHub. Almacena múltiples modelos (múltiples versiones con metadatos) para varios motores de tiempo de ejecución en el registro de modelo. Ejecuta pruebas A/B o pruebas Canary para validar el modelo antes de las implementaciones a gran escala. Un repositorio de proyectos integrado facilita la colaboración y proporciona seguimiento de los antecedentes para mejorar la auditoría.

Aprovecha el aislamiento de datos y multiinquilinos para garantizar una separación lógica entre proyectos, grupos o departamentos de la organización. La plataforma se integra con la seguridad empresarial y los mecanismos de autenticación como LDAP, Active Directory o Kerberos.

Ejecuta el software HPE ML Ops de forma local en cualquier infraestructura, en varias nubes públicas (Amazon® Web Services, Google® Cloud Platform, o Microsoft® Azure) o en un modelo híbrido, lo que proporciona un uso más efectivo de los recursos y costes operativos inferiores.