Multicloud-ModelOps ausprobieren
Was ist Multicloud-ModelOps? Warum jetzt?
Bis zum Jahr 2023 werden 70 % der KI-Workloads Container nutzen oder mit einem serverlosen Programmiermodell gebaut, was eine DevOps-Kultur erfordert.* ModelOps ist ein strukturierter Ansatz zur Operationalisierung eines Modells in Anwendungen. ModelOps synchronisiert die Kadenzen zwischen der Anwendung und den Modellpipelines. Mit Multicloud-ModelOps optimieren Sie Ihre Datenwissenschaft und KI-Investitionen mithilfe von Daten, Modellen und Ressourcen vom „Rand“ zum Kern und in die Cloud. Das Multicloud-ModelOps deckt die End-to-End-Lebenszyklen ab, um die Verwendung von Modellen und Anwendungen über Clouds hinweg zu optimieren. Dabei wird auf Machine-Learning-Modellen, Optimierungsmodelle und andere operative Modelle für die Integration in Continuous Integration und Continuous Deployment (CICD) abgezielt. IBM Cloud Pak™ for Data verwendet IBM® Watson Studio, Watson Machine Learning und Watson OpenScale als ideale Plattform zum Erstellen Ihrer Multicloud-ModelOps-Praxis.

Vorteile von Multicloud-ModelOps
Features von Multicloud ModelOps
Was ist neu bei Multicloud-ModelOps?

On-Demand-Webseminar: DevOps und KI synchronisieren
Erfahren Sie, warum 63 % der Unternehmen DevOps akzeptiert haben und 33 % von ihnen Data-Science-Teams für KI-betriebene Apps einbinden.

451 Research: KI und ModelOps mit intelligenter Automation
Gewinnen Sie Einblicke und pragmatische Tipps von KI-Pionieren zum Bauen von ModelOps in der Multicloud-Umgebung.

Erstellen, Ausführen und Verwalten von Modellen auf einer einheitlichen Daten-und KI-Plattform
Bereiten Sie Daten vor, bauen Sie Modelle, messen Sie Ergebnisse. Verbessern Sie Ihre Modelle kontinuierlich und verwenden Sie sie für Ihre Apps.
Entdecken Sie, was Sie innerhalb von IBM Data Science Multicloud-ModelOps alles tun können
Comparison Table
Mehr zu IBM Watson Studio for IBM Cloud Pak for Data
Fußnote
*Source: Gartner. Chirag Dekate, et al. Predicts 2019: Artificial Intelligence Core Technologies, November 2018 (Link außerhalb von IBM)