Testen Sie Multicloud ModelOps on IBM Cloud Pak® for Data
Überblick
Was ist Multicloud-ModelOps? Warum jetzt?
Bis 2023 werden 70 % der KI-Workloads Anwendungscontainer verwenden oder mit einem serverlosen Programmiermodell erstellt werden, das 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.
Multicloud ModelOps deckt die End-to-End-Lebenszyklen zur Optimierung der Nutzung von Modellen und Anwendungen über Clouds hinweg ab und konzentriert sich auf Modelle für maschinelles Lernen, Optimierungsmodelle und andere Betriebsmodelle, die in Continuous Integration und Continuous Deployment (CICD) integriert werden. IBM Cloud Pak® for Data nutzt IBM Watson® Studio als ideale Plattform für den Aufbau Ihrer Multi-Cloud ModelOps-Praxis.
Vorteile von ModelOps
ModelOps Features
Was können Sie mit ModelOps tun?
Modellpipeline-Leaderboard generieren
Bereiten Sie automatisch Daten auf, wählen Sie Modelle aus, führen Sie Feature Engineering durch und optimieren Sie Hyperparameter, um ein Pipeline-Leaderboard zu erstellen.
Computer-Lernmodelle überwachen
Überwachen Sie Modelle des maschinellen Lernens, indem Sie mögliche Verzerrungen des Modells betrachten und lernen, wie Sie diese abmildern und die Ergebnisse erklären können.
Modelle untersuchen und Verzerrung reduzieren
Generieren Sie einen Modell-Endpunkt mit reduzierter Verzerrung und sorgen Sie für Erklärbarkeit. Erkennen Sie Dateninkonsistenzen, die zu Modelldrift führen.
Implementieren von Modellfunktionen mit Apps
Daten vorverarbeiten, bevor sie an Modelle weitergegeben werden, Fehlerbehandlung durchführen und Aufrufe an mehrere Modelle einschließen.
Modelle auf mehreren Clouds erstellen und implementieren
Implementieren und pushen Sie Modelle an beliebigen Orten. Erstellen Sie Ihre eigene KI-fähige Cloud mit x86, IBM Cloud Pak® for Data System und IBM Power® System.
Erstellen, Ausführen und Verwalten von Modellen auf einer einheitlichen Schnittstelle
Bereiten Sie Daten vor, bauen Sie Modelle, messen Sie Ergebnisse. Verbessern Sie Ihre Modelle mit einer Rückkopplungsschleife kontinuierlich.
Was ist neu bei Multicloud ModelOps?
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 Automatisierung
Gewinnen Sie Einblicke und pragmatische Tipps von KI-Pionieren zum Bauen von ModelOps in der Multicloud-Umgebung.
Lernpfad für Entwickler: Maschinelles Lernen
Erstellen, Ausführen und Verwalten von Modellen auf einer einheitlichen Daten- und KI-Plattform. Verbessern Sie Ihre Modelle kontinuierlich und verwenden Sie sie für Ihre Apps.
Produktabbildungen
KPI-Vergleich
KPI-Vergleich
Vergleichen Sie Modelle mit den wichtigsten Leistungsindikatoren.
Erläuterungen
Erläuterungen
Siehe Erläuterungen zu KI-Ergebnissen.
Pipeline-Leaderboard
Pipeline-Leaderboard
Daten automatisch vorbereiten, Features entwickeln, Parameter optimieren und ein Modell-Leaderboard generieren.
Modelldrift
Modelldrift
Identifizieren und korrigieren Sie die Modelldrift in der Produktion.
Multicloud versus traditionelle ModelOps
| Multicloud-ModelOps | Traditionelle ModelOps | |
|---|---|---|
| Multicloud-Unterstützung | ||
| Automatisierter KI-Lebenszyklus | ||
| Business-KPI-Überwachung | ||
| Erklärbarkeit und Debiasing | ||
| Driftrichtung und -messung | ||
| One-Klick-Implementierung mit CICD | ||
| Modellmanagement und Feedback | ||
| Erweiterte Datenoptimierung | ||
| Datenaufbereitung |
Erste Schritte
Mehr zu IBM Watson Studio for IBM Cloud Pak for Data.