Les DSI réalisent que les données sont la nouvelle monnaie. Mais si vous ne pouvez pas utiliser vos données comme différenciateur pour obtenir de nouvelles informations, développer de nouveaux produits et services, pénétrer de nouveaux marchés et mieux répondre aux besoins des marchés existants, vous ne monétisez pas entièrement vos données. C'est pourquoi la construction et le déploiementintelligence artificielle (IA)etapprentissage automatique (ML)modèles dans un environnement de production rapidement et efficacement est si critique.
Pourtant, de nombreuses entreprises peinent à atteindre cet objectif. Pour mieux comprendre pourquoi, revenons sur ce qui a bloqué l'IA dans le passé et sur ce qui continue de défier les entreprises d'aujourd'hui.
Défi d'hier : manque d'énergie, de stockage et de données
L'IA et le ML existent depuis bien plus longtemps que de nombreuses entreprises ne le pensent, mais jusqu'à récemment, les entreprises ne pouvaient pas vraiment utiliser ces technologies. En effet, les entreprises ne disposaient pas d'une puissance de calcul, de capacités de stockage ou de données suffisantes pour rentabiliser un investissement dans le développement de modèles ML et AI.
Au cours des deux dernières décennies, la puissance de calcul a considérablement augmenté. Couplé à l'avènement d'Internet et au développement de nouvelles technologies telles que IPv6, VOIP, IoT et 5G, les entreprises sont soudainement inondées de plus de données que jamais auparavant. Des gigaoctets, des téraoctets et même des pétaoctets de données sont désormais créés quotidiennement, ce qui rend de vastes volumes de données facilement disponibles. Combinées à l'augmentation des technologies de stockage, les principales limitations à l'utilisation des modèles d'IA et de ML sont désormais des problèmes du passé.
Le défi d'aujourd'hui : la construction de modèles est compliquée
Grâce à la suppression de ces contraintes, les entreprises ont pu montrer la promesse des modèles d'IA et de ML dans des domaines tels que l'amélioration des diagnostics médicaux, le développement de modèles météorologiques sophistiqués, le contrôle des voitures autonomes et l'exploitation d'équipements complexes. Sans aucun doute, dans ces domaines à forte intensité de données, le retour et l'impact de ces modèles ont été étonnants.
Cependant, les premiers résultats de ces exemples très médiatisés ont montré que même si les modèles d'IA et de ML peuvent fonctionner efficacement, les entreprises ne disposant pas des budgets informatiques importants nécessaires au développement de modèles d'IA et de ML peuvent ne pas être en mesure d'en tirer pleinement parti. L'obstacle au succès est devenu le processus complexe de développement de modèles d'IA et de ML. Le défi n'est donc pas de savoir si une entreprise doit utiliser l'IA et le ML, mais plutôt de savoir si elle peut créer et utiliser des modèles d'IA et de ML de manière abordable, efficace, évolutive et durable ?
La réalité est que la plupart des entreprisesn'ont pas les outils ou les processus en place pour leur permettre efficacement de créer, de former, de déployer et de tester des modèles d'IA et de ML. Et puis répétez le processus encore et encore. Pour que les modèles d'IA et de ML soient évolutifs, la cohérence dans le temps est importante.
Pour vraiment utiliser pleinement les modèles d'IA et de ML, ainsi que pour en récolter les bénéfices, les entreprises doivent trouver des moyens d'opérationnaliser les processus de développement de modèles. Ces processus doivent également être reproductibles et évolutifs pour éliminer la création de solutions uniques pour chaque cas d'utilisation individuel (ce qui est un autre défi pour l'utilisation des modèles d'IA et de ML aujourd'hui). La mentalité ponctuelle de création de cas d'utilisation n'est pas financièrement viable, en particulier lors du développement de modèles d'IA et de ML, et ce n'est pas non plus un modèle qui stimule le succès de l'entreprise.
En d'autres termes, ils ont besoin d'un cadre. Heureusement, il existe une solution.
La solution : les opérations de ML
Au cours des dernières années, la discipline connue sous le nom deopérations d'apprentissage automatiqueou alorsOpérations de ML , est apparu comme le meilleur moyen pour les entreprises de gérer les défis liés au développement et au déploiement de modèles d'IA et de ML. ML Ops se concentre sur les processus impliqués dans le développement d'un modèle d'IA ou de ML (développement, formation, test, etc.), les transferts entre les différentes équipes impliquées dans le développement et le déploiement du modèle, les données utilisées dans le modèle lui-même, et comment automatiser ces processus pour les rendre évolutifs et reproductibles.
Les solutions ML Ops aident l'entreprise à se concentrer sur la gouvernance et les exigences réglementaires, à fournir une automatisation accrue et à améliorer la qualité du modèle de production. Une solution ML Ops fournit également le cadre nécessaire pour éliminer la nécessité de créer de nouveaux processus chaque fois qu'un modèle est développé, ce qui le rend reproductible, fiable, évolutif et efficace. En plus des avantages énumérés, de nombreuses solutions ML Ops peuvent également fournir des outils intégrés, afin que les développeurs puissent facilement et de manière répétée créer et déployer des modèles d'IA et de ML.
Les solutions ML Ops permettent aux entreprises de développer et de déployer ces modèles d'IA et de ML de manière systématique et abordable.
Comment HPE peut vous aider
La solution d'opérations d'apprentissage machine de HPE,Opérations ML HPE Ezmeral , relève les défis de l'opérationnalisation des modèles d'IA et de ML à l'échelle de l'entreprise en offrant une vitesse et une agilité de type DevOps, combinées à une plate-forme open source qui offre une expérience de type cloud. Il comprend également des outils pré-emballés pouropérationnaliser le cycle de vie du ML du pilote à la production et prend en charge chaque étape du cycle de vie ML. Celles-ci incluent la préparation des données, la création de modèles, la formation de modèles, le déploiement de modèles, la collaboration et la surveillance, avec des fonctionnalités qui permettent aux utilisateurs d'exécuter toutes leurs tâches d'apprentissage automatique sur une seule plate-forme unifiée.
HPE Ezmeral ML Ops fournit aux entreprises une solution de science des données de bout en bout qui a la flexibilité de s'exécuter sur site, dans plusieurs clouds publics ou dans un modèle hybride. Il est capable de répondre aux exigences commerciales dynamiques dans une variété de cas d'utilisation, d'accélérer les délais de modèle de données et de réduire les délais de mise sur le marché.
Pour en savoir plus sur HPE Ezmeral ML Ops et comment il peut aider votre entreprise, visitezhpe.com/mlopsou contactez votrereprésentant commercial local.
____________________________________
À propos de Richard Hatheway
Richard Hatheway est un vétéran de l'industrie technologique avec plus de 20 ans d'expérience dans de multiples secteurs, notamment l'informatique, le pétrole et le gaz, l'énergie, le réseau intelligent, la cybersécurité, les réseaux et les télécommunications. Chez Hewlett Packard Enterprise, Richard se concentre sur les activités GTM pour HPE Ezmeral Software.
Source link