HPE lanza ML Ops, para gestionar el ciclo de vida del Machine Learning

Palabras clave

HPE
Contenido patrocinado: 
HPE ML Ops amplía las capacidades de la plataforma de software basada en contenedores BlueData EPIC
Autor:
Se trata de un servicio de software basado en contenedores, pensado en proporcionar un proceso similar al de DevOps para estandarizar las cargar de trabajo de machine learning
Flujos de trabajo

Computing.- Hewlett Packard Enterprise (HPE) lanzó ML Ops, una solución basada en contenedores que dará soporte a todo el ciclo de vida del Machine Learning para entornos de nube pública, privada e híbrida, la cual presenta un modelo similar a DevOps para estandarizar los flujos de trabajo y reducir su despliegue de meses a días.

HPE ML Ops amplía las capacidades de la plataforma de software basada en contenedores BlueData EPIC, para proporcionar a los equipos dedicados al análisis de datos acceso bajo demanda a entornos de contenedores de Machine Learning y Deep Learning distribuidos.

BlueData fue adquirida por HPE en noviembre de 2018 para reforzar su oferta de IA, análisis de datos y contenedores, y complementa también las soluciones de TI híbridas de HPE y los servicios HPE Pointnext para despliegues de IA empresarial.

Te interesa leer: HPE y VMware ofrecen entornos híbridos en modo servicio

HPE ML Ops tiene el objetivo de transformar y facilitar la gestión de las iniciativas de IA desde las fases de experimentación y los proyectos piloto, hasta la puesta en producción final, abordando todo el ciclo de vida del Machine Learning. También pretende ayudar a una mejor preparación de los datos, desde la creación de modelos, hasta la formación, implementación, monitorización y colaboración.

“Con HPE ML Ops, proporcionamos la única solución empresarial para cubrir el ciclo de vida de extremo a extremo de Machine Learning para el despliegue de entornos cloud híbridos y on-premise”, aseguró Kumar Sreekanti, SVP y CTO de Hybrid IT en HPE.

La solución HPE ML Ops funciona con una amplia gama de entornos de código abierto para Machine Learning y Deep Learning entre los que se incluyen Keras, MXNet, PyTorch y TensorFlow, así como aplicaciones comerciales como Dataiku y H2O.ai.

Contenido relacionado: