AIと分析

DevOpsが登場する前のソフトウェア開発と同じように、データサイエンス企業はプロジェクトを開発から本稼働へと移行する際に、依然として多大な時間と労力を費やしています。モデルのバージョン管理とコード共有は手動で行われ、ツールとフレームワークは標準化されていないため、機械学習モデルの製品化は手間のかかる作業となります。HPE Ezmeral Machine Learning Ops (HPE Ezmeral ML Ops) は、HPE Ezmeral Container Platformの機能を拡張し、企業の機械学習にDevOpsのようなアジリティをもたらします。HPE Ezmeral ML Opsを導入することにより、企業はDevOpsプロセスを実装してMLワークフローを標準化できます。HPE Ezmeral ML Opsはデータサイエンスチームに、エンドツーエンドのニーズに応える柔軟性に優れたプラットフォームを提供します。これによりデータサイエンスチームは、機械学習やディープラーニング (DL) のワークロードをオンプレミス、複数のパブリッククラウド、またはハイブリッドモデルで実行し、さまざまなユースケースで動的なビジネス要件に対応することができます。

最新情報

  • コンテナの利点を活かして、機械学習とディープラーニングの複雑なスタック (TensorFlow、Kerberosを使用するYARN上のApache Spark、H2O、Python ML/DLツールキットなど) を作成します。
  • 分散型でスケーラブルなMLおよびDLのトレーニング環境を、数か月ではなく数分で、オンプレミス、パブリッククラウド、ハイブリッドモデルに立ち上げます。
  • 極めて複雑なMLフローもサポートできるよう、ご希望のツールをお使いいただけます。たとえば、Sparkでのデータ準備から始めて、GPU上のTensorFlowでトレーニングを行い、TensorFlowランタイムを使用してCPUに展開します。
  • モデルレジストリを使用して、MLプロジェクトにCI/CDプロセスを実装します。モデルレジストリには、HPE Ezmeral ML Ops内のモデルとバージョン、およびさまざまなツール、プラットフォームを使用して作成されたモデルとバージョンが格納されます。
  • 共有プロジェクトレポジトリ (GitHub) により、MLプロジェクトの信頼性と再現性が向上します。
  • すぐに使用できる自動スケーリングおよびロードバランシングによる信頼性、拡張性、可用性に優れたエンドポイント展開を使用して、本稼働環境にモデルを展開します。

機能

価値を迅速に創出

直感的なグラフィカルユーザーインターフェイスでインフラストラクチャを管理およびプロビジョニングできます。

開発環境、テスト環境、本稼動環境を数日ではなく数分でプロビジョニングできます。

新しいデータサイエンティストは、サイロ化した開発環境を作成することなく、自分の好みのツールと言語を使用して迅速にオンボーディングできます。

生産性の向上

データサイエンティストは、ジョブのトレーニングが完了するのを待つのではなく、モデルの構築や結果の分析に時間を使うことができます。

HPE Ezmeral Container Platformは、マルチテナント環境での精度やパフォーマンスの低下を防ぎます。

コード、プロジェクト、モデルリポジトリの共有により、コラボレーションと再現性が向上します。

軽減されるリスク

コンピュートとデータにエンタープライズグレードのセキュリティとアクセス制御を適用できます。

系統追跡により、法規制準拠に対するモデルのガバナンスと監査可能性を提供します。

サードパーティのソフトウェアとの統合により、解釈能力が向上します。

高可用性の展開により、クリティカルアプリケーションをより確実に進められます。

優れた柔軟性

ビジネス要件に適合するように、オンプレミス、クラウド、またはハイブリッドモデルに展開できます。

動的ワークロードの要件を満たすためのクラスターの自動スケーリング。