Povećanje brzine i agilnosti u procesu mašinskog učenja

Svakog dana generišemo više od 2.5 kvintiliona¹ bajtova podataka. To je digitalni „zlatni rudnik“ informacija koje kompanije analiziraju kako bi potpomogle donošenje pravih poslovnih odluka i strategija. Na žalost, uprkos važnosti upotrebe podataka prilikom donošenja odluka, mnoge kompanije nemaju dobro razrađene tokove analize, kako bi oni bili optimizovani da u najkraćem vremenskom periodu „izvuku“ maksimalnu količinu potrebnih podataka. Naučnici koji se bave obradom podataka (data scientists) za različite svrhe u istoj kompaniji, često rade nezavisno jedni od drugih i retko na raspolaganju imaju dovoljno resursa. Zato je uobičajena situacija da moraju da čekaju da se oslobodi infrastruktura, kako bi mogli da je upotrebe za treniranje njihovih modela. A, kada se model prosledi softverskim developerima, oni gube uvid u njegove performanse.

Zašto je važno mašinsko učenje (Machine Learning – ML)?

Ono može da uradi mnogo, ali u realnosti susreće se sa mnogo poteškoća, jer je sve previše komplikovano. Podaci koje mašinsko učenje može da iskoristi, nalaze se u različitim formatima, na različitim mestima koja imaju različite bezbednosne zahteve i različito se odnose prema privatnosti. Na sve to treba dodati i da je veoma teško generisati novo okruženje za izradu modela. A nedostatak standardizacije često znači da modeli nikad ne prođu nivo pilot-projekta.

Na kraju sve se svodi na jednu stavku – vreme, odnosno na previše dugačak period koji prođe od trenutka kada se osmisli model, pa do njegove finalne realizacije. I upravo to je glavni razlog zašto čak 87%² data science projekata nikad ne dospe do produkcije. Ako će machine learning da unapredi način na koji živimo, radimo i donosimo odluke, činjenica o tolikom procentu neuspeha deluje zastrašujuće.

Kako da onda preskočimo tu ogromnu prepreku i da mašinsko učenje učinimo mnogo efikasnijim i upotrebljivijim?

¹ „SG Analytics“ – 2.5 quintillion bytes of data generated everyday – Top Data Science Trends 2020

² „Venture beat“ – Why do 87% of data science projects not make it into production?

Uklanjanje prepreka

Rešenje je uspostavljanje efikasnog i jedinstvenog data science toka. Upravo to je Hewlett Packard Enterprise uspeo sa HPE Ezmeral ML Ops-om (što je skraćenica od HPE Ezmeral Machine Learning Ops).

HPE Ezmeral ML Ops proširuje mogućnosti HPE Ezmeral Runtime Enterprise Platform-e i donosi agilnost u sistem mašinskog učenja. Sa njim, olakšava se standardizacija procesa mašinskog učenja. Naučnici koji se bave analizom podataka sa ovom platformom dobijaju fleksibilnost da Machine Learning pokrenu u lokalnom data centru, u različitim cloud ili hibridnim okruženjima i da brzo odgovore na dinamičke poslovne zahteve u najrazličitijim scenarijima upotrebe.

Ona uspešno izbegava prepreke i obezbeđuje preko potrebnu brzinu obrade podataka, uz bezbednost na enterprise nivou, kako bi sve kritične aplikacije nesmetano radile. Ne smemo da zaboravimo ni sposobnost deljenja koda, projekata, kao i modela baza podataka. Rezultat je dobijanje više vremena za izradu modela i aktiviranja novih funkcionalnosti, što u krajnjem slučaju vodi ka povećanju produktivnosti i bržem puštanju u produkciju. A kao dodatni plus, HPE Ezmeral ML Ops je dostupan kao servis. Podaci sada mogu da se obrađuju i u bilo kom sandbox okruženju, a procesi su standardizovani kroz ceo životni ciklus analitike.

HPE Ezmeral ML Ops obezbeđuje „jedinstven prostor“ za kompletan životni ciklus mašinskog učenja i kreira zajedničko dinamičko okruženje za obradu ogromne količine podataka, kreiranje modela, njegovo treniranje i puštanje u produkciju. Na taj način će se iz svakog modela izvući najveća količina korisnih podataka.

Jednostavnost kao preduslov efikasnosti

Sve započinje kreiranjem deljenog „skladišta“ projekta u kome korisnici mogu da ubacuju sve što je neophodno za kreiranje modela – kao što su programski kod i podaci neophodni za pokretanje modela. Zatim se dodeljuju korisnici koji su zaduženi za treniranje modela, ali i računarski resursi neophodni za obradu. Sistem već poseduje veliki broj unapred konfigurisanih modela, pa je najčešće dovoljno da se odabere jedan od ponuđenih. Naravno, uvek mogu da se izvrše izmene, ili da se napravi potpuno nova konfiguracija. Kada su svi parametri odabrani i setovani, model može da se registruje.

Najveća prednost HPE Ezmeral ML Ops-a je što je svaki korak u životnom ciklusu mašinskog učenja povezan i dostupan sa jedne, centralne platforme. Računarski resursi i setovi alata su spremni za upotrebu i uvek vidljivi svim neophodnim činiocima, čime se stvara osnovni preduslov kako bi se pretvaranje podataka u realne odluke obavilo brže nego ikad ranije.

HPE Ezmeral ML Ops ubrzava proces postavljanja modela u produkciju sa skale koja se meri godinama, na skalu označenu mesecima. Ako bismo napravili analogiju sa transportom, onda bi prelazak na HPE Ezmeral ML Ops bio kao kada bi se sa planinskog puta punog serpentina, sišlo na auto-put – tolike bi bile razlike u brzinama. To višestruko ubrzava proces inovacija i donošenja strateških odluka u kompanijama. Takođe, zahvaljujući pay-as-you-go modelu plaćanja, troškovi lako mogu da se upakuju u svaki biznis plan i budžet. S tog aspekta, HPE Ezmeral Machine Learning Ops predstavlja odlično rešenje za kompanije, kako u smislu ubrzanja donošenja poslovnih odluka, tako i u smislu optimizacije troškova u tom procesu.