画像をタップして拡大する

2020年6月12日

機械学習の運用を軌道に乗せ、インサイトをすばやく得る

エンタープライズが少数の機械学習 (ML) のユースケースから大規模なMLの導入に移行するには、MLに対する標準化されたアプローチが必要です。

ほとんどのエンタープライズでは、データサイエンスチームが、特定のビジネス上の課題に対応する正確なモデルを構築するために多くの時間を費やしています。しかし、これらのモデルは、そのモデルを使用して望ましい成果を達成する別のソフトウェアアプリケーションに導入されるまでは、いかなるビジネス価値も生み出しません。そのため、プロセスは停滞してしまいます。エンタープライズに必要なのは、モデルを本番環境にシームレスに移行するためのツールとプロセスです。

機械学習のモデル開発における状況は、以前のDevOpsソフトウェアライフサイクルで見られたものと似ています。DevOpsのツールとプロセスによって、ソフトウェア開発のライフサイクルにおけるこれらの問題の多くが解決されました。しかし、機械学習モデル開発の反復的および実験的な性質のため、DevOpsのツールをMLに適用してもうまくいきません。

ほとんどのクラウドベンダーが、機械学習モデルの運用の解決策を持っていると主張していますが、それとはほど遠いのが現実です。クラウドベンダーが提供するまとまりのないサービスは、エンドツーエンドのソリューションのためにつなぎ合わせる必要があります。また、すべてのワークロードがクラウドに移行できるわけではありません。データには重力があり、データの近くに機械学習モデルを展開することが最も効率的です。エンタープライズには、オンプレミスであれ、クラウドであれ、エッジであれ、データが存在する場所にワークロードを展開する柔軟性が必要です。

画像をタップして拡大する

Chris Gardner、Forrester社

画像をタップして拡大する

Victor Ghadban、HPE

Forrester社のインフラストラクチャ担当主席アナリストであり、運用のプロフェッショナルであるChris Gardner氏と、AI/ML分野のCTOであるVictor Ghadbanのオーディオポッドキャストをお聴きください(英語)。 これらの課題に対応し、MLモデルの信頼できる反復可能な運用に向けたプロセスを適切に構築するために、考慮する必要がある技術的、また組織的な留意点について議論しています。

この記事/コンテンツは、記載されている特定の著者によって書かれたものであり、必ずしもヒューレット・パッカード エンタープライズの見解を反映しているわけではありません。

enterprise.nxt

ITプロフェッショナルの皆様へ価値あるインサイトをご提供する Enterprise.nxt へようこそ。

ハイブリッド IT、エッジコンピューティング、データセンター変革、新しいコンピューティングパラダイムに関する分析、リサーチ、実践的アドバイスを業界の第一人者からご提供します。

enterprise.nxt
ニュースレターのご登録

enterprise.nxtから最新のニュースをメールで配信します。