A Hitachi Vantara, subsidiária da Hitachi, Ltd. (TSE:6501), anuncia a chegada de um recurso adicional para orquestração de aprendizagem de máquina, para ajudar os cientistas de dados a monitorarem, testarem, treinarem e reimplantarem modelos supervisionados em produção. É uma inovação do Hitachi Vantara Labs chamada de “modelo de gestão de aprendizagem de máquina”, que usa essas novas ferramentas em um pipeline de dados construído em Pentaho, para oferecer melhores insights e mais confiança em seus algoritmos. O Hitachi Vantara Labs está tornando o modelo de gestão de aprendizagem de máquina disponível como um plug-in, por meio do Marketplace da Pentaho.
Conforme as organizações se transformam digitalmente, seus algoritmos tornam-se uma vantagem competitiva – e, potencialmente, um risco. Uma vez que um modelo está em produção, ele deve ser monitorado, testado e reciclado continuamente, em resposta a mudanças nas condições, e reimplantado. Hoje, esse trabalho envolve considerável esforço manual e, consequentemente, muitas vezes é feito com pouca frequência. Quando isso acontece, a precisão de previsão se deteriora, impactando a rentabilidade de empresas orientadas por dados.
“De acordo com nossa pesquisa, dois terços das organizações não têm um processo automatizado para atualizar perfeitamente seus modelos de análise preditiva. Como resultado, menos de um quarto dos modelos de aprendizagem de máquina são atualizados diariamente, aproximadamente um terço é atualizado semanalmente e mais da metade são atualizados mensalmente. Modelos desatualizados podem criar riscos significativos para as organizações”, disse David Menninger, vice-presidente sênior e diretor de pesquisa da Ventana Research.
O novo modelo de gestão de ciência de dados melhora o processo de implementação de aprendizagem de máquina em três áreas. Colocar modelos em produção mais rápidamente: Novas etapas de orquestração de aprendizagem de máquina dão suporte a dados e engenharia de recurso. Estas etapas avaliam modelos e melhoram a sua precisão, usando dados reais de produção antes de ir para o ar. Para ajustes futuros de modelo e para evitar o excesso de ajustes, equipes de operações de dados podem generalizar modelos contra dados de teste de produção, usando uma variedade de técnicas de validação cruzada e de avaliação.
A preparação de dados específicos de algoritmo e a limpeza de tarefas – também conhecidas como a “preparação da última milha dados” – agora são automatizadas. As equipes de operações podem ajustar os parâmetros de modelo usando uma GUI simples, em vez de escrever e manter o código, o que libera os cientistas dados para desenvolverem novos modelos.
Maximizar a precisão do modelo durante a produção: Uma vez que um modelo está em produção, sua exatidão normalmente se degrada conforme novos dados de produção passam por ele. Para evitar isso, uma nova gama de estatísticas de avaliação ajuda a identificar modelos degradados. Diversos relatórios e visualizações facilitam a análise de desempenho do modelo e a descoberta de erros. Quando ocorrerem atualizações ou alterações, novos modelos “desafiantes” podem ser facilmente testados contra os modelos “campeões” atuais. Conforme os resultados são retornados mais rapidamente, o modelo pode ser ajustado mais cedo.
Colaborar e controlar operações de modelo em escala: Mais empresas estão exigindo visibilidade sobre como algoritmos tomam decisões. A falta de transparência conduz frequentemente à pouca colaboração em grupos de implantação e manutenção de modelos, incluindo as equipes de operações, cientistas de dados, engenheiros de dados, desenvolvedores e arquitetos de aplicativos. Esses novos recursos da Hitachi Vantara promovem a colaboração, fornecendo linhagem de dados de etapas modelo e visibilidade da fontes de dados e recursos que alimentam esse modelo.
Essa maior transparência permite que os pipelines de dados e os próprios dados sejam facilmente compartilhados, padronizados e reutilizados entre as equipes, permitindo que novas aplicações de aprendizagem de máquina sejam desenvolvidas mais rapidamente. Ao se beneficiarem de uma plataforma de nível empresarial, as etapas modelo de aprendizado de máquina são incorporadas em pipelines de dados e podem executar grandes volumes de dados em um ambiente altamente disponível e seguro.
“A aprendizagem de máquina e a inteligência artificial (AI) estão otimizando tudo, desde interações com o cliente até as operações das empresas. Conforme essas aplicações forem evoluindo, os cientistas de dados e as equipes de operação vão precisar colocar em produção modelos recém-formados mais rápido do que nunca, o que pode comprometer a precisão dos modelos, a colaboração e a governança”, disse John Magee, Vice Presidente de marketing de produtos da Hitachi Vantara. “O modelo de gestão de aprendizagem de máquina do Hitachi Vantara Labs fornece maior transparência algorítmica e mais automação, para que as equipes de aplicações possam concentrar seus esforços em inovar mais rapidamente, sem o risco de deterioração dos modelos vigentes”, conclui o VP.
