根据国际分析学会的最新报告，不到10%……据估计，这是在企业环境中的大规模生产中部署的人工智能测试项目的数量。

产生如此之少的数量有很多原因，其中包括大量的数据以及缺乏易于使用的工具来进行分析。这个问题需要实现AI和机器学习的可操作性，使其始终如一地可访问和可重复。

BlueData副总裁兼总经理Anant Chintamaneni(如图)说：“最终，如果您想从这些模型以及所做的所有辛勤工作中获得商业价值，就必须将其注入业务流程中。”惠普企业公司的负责人。“机器学习的运营最终是关键，这是企业必须取得的进步。”

Chintamaneni与位于加州帕洛阿尔托的CUBE工作室的SiliconANGLE Media移动流媒体直播工作室CUBE的联合主持人Peter Burris(@plburris)进行了交谈。联合主持人Stu Miniman(@stu)参加了Burris的数字社区活动，他们还采访了HPE杰出的技术专家和首席数据科学家Nanda Vijaydev。HPE大数据，分析和横向扩展数据平台副总裁兼总经理Patrick Osborne;和Wikibon分析师James Kobielus(@jameskobielus)。讨论的重点是数据科学团队中所需的角色，HPE引入了一种新的软件解决方案以指导企业进行分析部署，以及在业务流程中实现AI和机器学习的重要性。(*以下披露。)

数据科学的DevOps

在企业中实施AI和机器学习的一个问题是它需要一个村庄。数据科学家可以选择正确的算法，数据工程师可以清理输入的信息，机器学习架构师可以构建预测变量，程序员也可以。

这些都是数据科学团队的一部分，该团队负责推动所谓的数据中心运营。“在Wikibon中，我们将其称为数据科学的DevOps，” Kobielus说。

为了帮助这个多元化的团队确保实践的一致性，HPE在9月推出了以容器为中心的软件解决方案ML Ops，该解决方案基于该公司去年收购BlueData时获得的技术。BlueData的软件平台结合了容器，虚拟化和大数据工具，可为客户提供更好的机器学习和AI体验。

Osborne表示：“ ML Ops可帮助您从数据科学家或数据工程师那里扩展其笔记本电脑上的算法，从而能够在数据中心内大规模运行该算法。”“我们为围绕AI和机器学习的新生态系统建立了许多备受瞩目的新关系。”

版权说明： 本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

标签：