HPE führt ML Ops Container-Software-Service ein

Hewlett Packard Enterprise (HPE) hat den containerbasierten Software-Service ML Ops vorgestellt. Der Dienst resultiert aus der Übernahme von BlueData. Laut HPE soll der Dienst einen DevOps-ähnlichen Prozess bereitstellen, um maschinelle Lernabläufe zu standardisieren und KI-Implementierungen zu beschleunigen.

Der ML Ops-Service soll die Möglichkeiten der EPIC-Softwareplattform von BlueData erweitern, die es Unternehmen ermöglicht, Hadoop- und Spark-Cluster in virtuellen Umgebungen zu erstellen. Der Clou bei EPIC ist, dass die Kombination aus Docker-Containern, Virtualisierung und großen Datentools den Einsatz in Rechenzentren erleichtert.

Mit der Einführung von ML Ops kombiniert HPE die Softwareplattform von BlueData mit seiner bestehenden softwaredefinierten Infrastruktur, um Kunden einen containerbasierten Service für KI, Machine Learning und Big Data Analytics anzubieten. „Nur funktionierende maschinelle Lernmodelle liefern Geschäftswert“, sagt Kumar Sreekanti, SVP und CTO von Hybrid IT bei HPE. „Und mit HPE ML Ops bieten wir die einzige Enterprise-Class-Lösung zur Operationalisierung des End-to-End-Lebenszyklus von maschinellen Lernprozessen für lokale und hybride Cloud-Implementierungen. Wir bringen DevOps Geschwindigkeit und Agilität in das maschinelle Lernen und bieten so eine schnellere Time-to-Value für die KI im Unternehmen.“

Laut HPE ist ML Ops kompatibel zu einer Reihe von Open-Source-Frameworks für maschinelles Lernen, einschließlich Keras, MXNet, PyTorch und TensorFlow. Außerdem arbeitet der Dienst auch mit kommerziellen maschinellen Lernanwendungen von Dataiku und H2O.ai zusammen. HPE ML Ops ist ab sofort als SaaS-Lösung zusammen mit Services und Support von HPE Pointnext erhältlich.

ML Ops unterstützt die folgenden Phasen und Funktionen von KI-/KL-Projekten:

• Modell-Entwicklung – mit vorinstallierten Sandbox-Umgebungen für ML-Werkzeuge und Data Science Notebooks
• Modell-Training – mit skalierbaren Trainings-Umgebungen und sicherem Datenzugang
• Modell-Einführung – unterstützt eine flexible, schnelle und nachvollziehbare Einführung
• Modell-Monitoring – mit Transparenz über den gesamten ML-Lebenszyklus
• Zusammenarbeit – unterstützt Workflows für Continuous Integration und Continuous Delivery mit Code-, Modell- und Projekt-Repositories
• Sicherheit und Steuerung – sichert Mehrmandantenfähigkeit durch Integration mit Authentifizierungs-Mechanismen
• Hybride Architekturen – unterstützt die Einführung im lokalen Rechenzentrum, in der Public Cloud und in hybriden Modellen