Plus de 80 % des entreprises ne disposent pas de la visibilité et du contrôle nécessaires sur leurs modèles d'apprentissage automatique ou sur la manière dont ils sont déployés tout au long du cycle de vie du développement des modèles ML.Pour faire face à ce problème, Iterative a créé une solution de registre de modèles open-source qui permet aux équipes de gérer facilement les modèles avec un contexte complet autour du lignage du modèle, de la version, du statut de production, des données utilisées pour former le modèle, et plus encore.
Iterative Studio Model Registry utilise une approche GitOps pour la gestion du cycle de vie des modèles, ce qui signifie que le Git d'une organisation est la source unique de vérité. Contrairement aux solutions existantes qui sont séparées des outils de développement logiciel et qui ne sont souvent pas mises à jour avec les dernières informations sur les modèles, Iterative prend les flux de travail et les meilleures pratiques du développement logiciel et les applique au déploiement des modèles, ce qui permet de mettre les modèles en production plus rapidement. Les équipes DevOps et MLOps peuvent collaborer en utilisant les mêmes outils et processus, de sorte que les modèles prêts pour la production qui sont transmis en aval aux systèmes CI/CD sont tous entièrement automatisés et transparents pour toutes les équipes.
"Les équipes DevOps utilisent déjà une approche GitOps pour gérer le cycle de vie et le déploiement de leurs applications et services métier, tandis que les équipes ML ont un processus différent avec des solutions personnalisées ou des registres de modèles qui ne sont pas basés sur GitOps. Notre registre de modèles s'appuie sur les principes de GitOps et prend en charge les mêmes flux de travail que ceux utilisés par les équipes DevOps", déclare Dmitry Petrov, PDG d'Iterative. "Le registre de modèles d'Iterative permet aux équipes de développement de logiciels et aux ingénieurs ML de travailler ensemble en utilisant les mêmes outils plutôt qu'en silos."
Le registre de modèles est réalisé à l'aide de composants modulaires, ce qui permet aux membres de l'équipe d'utiliser l'interface avec laquelle ils sont le plus à l'aise. Ils peuvent explorer les modèles dans un tableau de bord central qui facilite la découverte des modèles dans tous les projets ML, avec l'historique, les versions et les étapes des modèles transparents et accessibles à toute l'équipe.
Source : Iterative
Et vous ?
Qu'en pensez-vous ?Voir aussi :
Le manque de capacités d'automatisation pour la gestion des performances informatiques coûte en moyenne 46 millions de dollars par an aux entreprises, selon une étude de Digital Enterprise Journal Les entreprises sont désireuses de tirer parti de l'intelligence artificielle, mais seules 18 % d'entre elles la déploient en tant qu'initiative d'entreprise à grande échelle, selon SambaNova Systems Deux tiers des décideurs en matière d'IA craignent de ne pas atteindre les objectifs éthiques de leur entreprise, d'autres risques sont liés à la hausse des coûts et aux mauvais résultats commerciaux