ML Ops

ML Opsとは

ML Opsの用途

データサイエンティスト、ソフトウェアエンジニア、ITオペレーション専門家は、ML Opsを使用して、AIモデルやMLモデルの設計、構築、展開、管理の標準化と自動化を行います。厳格なML Opsアプローチにより、参加者は効果的に連携し、継続的インテグレーションとデプロイメント (CI/CD) を実装し、開発と生産のペースを加速できます。

ML Opsが必要な理由

機械学習と人工知能を実稼働に導入するのは非常に難しいことで知られています。データサイエンスは、サイロ、形式の競合、プライバシーの問題、セキュリティ要件、リソース不足によって複雑になることがよくあります。ML Opsは、データサイエンスワークフローの開発、テスト、リリースプロセスを合理化し、困難なAIおよびMLプロジェクトにスピードとアジリティをもたらします。

ML Opsの範囲は、予備データ分析 (EDA) からデータの準備とエンジニアリング、モデルのトレーニングとデプロイメントまで多岐にわたります。適切に適用すると、MLワークフローが高速、効率的、かつ反復可能になり、実稼働までの時間が短縮されます。

ML Opsにより、データサイエンスチームは、より高品質のモデルをより迅速に開発し、提供できるようになります。管理とスケーラビリティが大幅に向上します。複数のモデルを並行して制御および監視できるため、継続的インテグレーション、デリバリ、展開が可能になります。また、データサイエンティスト、DevOps、ITオペレーション間のコラボレーションを促進し、優先順位の競合によるチーム間の摩擦を軽減します。

ML Opsは開発リスクも最小限に抑え、厳格なコンプライアンスと透明性によりセキュリティと規制に関する懸念に対処します。モデルとデータへのすべての変更は綿密に追跡され、正確な監査と再現可能な結果が保証されます。 

ML Opsの原則は、機械学習ライフサイクルのすべての段階に適用されます。

反復

何かを変えればすべてが変わる (CACE)。モデルまたはデータセットに対する反復的な変更はすべて記録し、テストする必要があります。 

反復性

すべてのモデル、テーブル、テストは、同じ条件とデータがあれば完全に再現可能でなければなりません。

可視性

機能と変更は透明性を保ち、参加しているデータチーム間で共有する必要があります。

整合性を確保

オープンソースの形式とライブラリは、機能とデータ全体の整合性を確保するのに役立ちます。

監査可能性

正確で精密なガバナンスを確保するには、モデルのバージョン管理とリネージを機械学習のライフサイクル全体にわたって綿密に追跡および維持する必要があります。

ML Opsはエンタープライズコンピューティングの将来において重要な役割を担っており、HPEは機械学習の可能性を最大限に探求し、ML Opsを開発戦略に組み込むことに注力しています。

HPE GreenLake for ML Opsは、Edge-to-Cloudプラットフォームと消費に基づく価格により、機械学習プロジェクトへの道を開き、プロジェクト計画から本番環境への展開までシームレスに進めることができます。HPE ApolloハードウェアとHPE Ezmeralソフトウェアは、データの準備からモデルの構築、トレーニング、展開、管理、コラボレーションまで、MLワークロードのあらゆる側面をサポートします。

HPE Ezmeral ML Opsは、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柔軟に実行できるエンドツーエンドのデータサイエンスソリューションであり、さまざまなユースケースにおける動的なビジネス要件に対応することができます。HPE Ezmeral ML Opsは、機械学習ライフサイクルの運用を可能にするためのパッケージ化されたツールと組み合わせてクラウドのようなエクスペリエンスを提供することで、エンタープライズ規模で機械学習モデルを運用可能にするという課題に対処します。HPE Ezmeral ML Opsを使用すると、DevOpsのようなスピードとアジリティでモデルを構築、トレーニング、展開できます。データ準備からモデル構築、トレーニング、デプロイ、監視、コラボレーションまで、MLライフサイクルのあらゆる側面に対応する単一のプラットフォームを提供し、MLライフサイクル全体でエンドツーエンドのプロセスを運用可能にすることで、データモデルのスケジュールを加速し、市場投入までの時間を短縮します。