Trí tuệ nhân tạo (AI) và Học máy (ML) giúp các tổ chức đưa ra quyết định kinh doanh thông minh dựa trên dữ liệu và là những thành phần quan trọng giúp doanh nghiệp phát triển trong thế giới chuyển đổi kỹ thuật số. Trong khi tổng đầu tư AI hàng năm của doanh nghiệp đã tăng đáng kể kể từ  năm 2019 , nhiều tổ chức vẫn đang gặp phải những rào cản để  áp dụng AI thành công . Các tổ chức di chuyển dọc theo đường cong trưởng thành của AI và phân tích ở các mức độ khác nhau. Các phương pháp tự động hóa như Hoạt động học máy ( MLOps ) và Học máy tự động ( AutoML ) có thể đóng vai trò là xương sống cho các công cụ và quy trình cho phép các tổ chức thử nghiệm và triển khai các mô hình với tốc độ và quy mô của một doanh nghiệp ưu tiên AI, hiệu quả cao. MLOps và AutoML được liên kết với các thành phần riêng biệt và quan trọng của luồng công việc AI/ML. Blog này giới thiệu cách các nền tảng phần mềm như cnvrg.io và H2O Driverless AI giúp các tổ chức dễ dàng áp dụng các phương pháp tự động hóa này vào môi trường AI của họ.

Blog này nhằm mục đích tham khảo quan điểm của Dell về các giải pháp MLOps giúp các tổ chức mở rộng quy mô hoạt động AI và ML của họ. MLOps và AutoML cung cấp sự kết hợp mạnh mẽ giúp mang lại giá trị kinh doanh từ các dự án AI nhanh hơn, theo cách an toàn và có thể mở rộng.  Dell Validated Designs cung cấp Kiến trúc tham chiếu kết hợp phần mềm và phần cứng Dell để đưa các giải pháp này vào cuộc sống.

Tầm quan trọng của phương pháp tự động hóa

Triển khai các mô hình vào môi trường sản xuất là một thành phần quan trọng để nhận được giá trị kinh doanh cao nhất từ ​​dự án AI/ML. Mặc dù có rất nhiều nhiệm vụ để đưa một dự án vào sản xuất, từ Phân tích dữ liệu khám phá đến đào tạo và điều chỉnh mô hình, nhưng các mô hình được triển khai thành công đòi hỏi phải có các nhóm nhiệm vụ và quy trình bổ sung, chẳng hạn như quản lý mô hình thời gian chạy, khả năng quan sát và đào tạo lại mô hình cũng như độ tin cậy suy luận và tối ưu hóa chi phí. . Vòng đời của một dự án AI/ML bao gồm các nguyên tắc về kỹ thuật dữ liệu, khoa học dữ liệu, kỹ thuật DevOps và các vai trò với các bộ kỹ năng khác nhau giữa các nhóm này. Với tất cả các bước được liệt kê ở trên chỉ cho một dự án AI/ML, không khó để thấy những thách thức mà các tổ chức gặp phải khi phải đối mặt với việc muốn tăng nhanh số lượng dự án trên các đơn vị kinh doanh khác nhau trong tổ chức. Các tổ chức ưu tiên ROI , tính nhất quán, khả năng tái sử dụng, khả năng truy xuất nguồn gốc, độ tin cậy và tự động hóa trong các dự án AI/ML của họ thông qua các bộ quy trình và công cụ được mô tả trong bài viết này được thiết lập để mở rộng quy mô về AI và đáp ứng nhu cầu về AI cho hoạt động kinh doanh của mình.

Các thành phần của dự án AI/ML

Một dự án AI/ML điển hình có nhiều nhiệm vụ riêng biệt có thể diễn ra theo cách xếp tầng nhưng tuần hoàn. Điều này có nghĩa là mặc dù các nhiệm vụ có thể phụ thuộc vào việc hoàn thành các nhiệm vụ trước đó, nhưng tính chất học hỏi liên tục của các dự án ML tạo ra một vòng phản hồi lặp đi lặp lại trong suốt dự án.

Danh sách sau đây mô tả các bước mà một dự án AI/ML điển hình sẽ thực hiện.

1. Đặc điểm kỹ thuật mục tiêu
2. Phân tích dữ liệu thăm dò (EDA)
3. Đào tạo người mẫu
4. Triển khai mô hình
5. Tối ưu hóa mô hình và xác thực chéo
6. Kiểm tra
7. Triển khai mô hình
8. Sự suy luận

Hình 1. Các nhiệm vụ riêng biệt trong Dự án AI/ML

Mỗi nhiệm vụ đóng một vai trò quan trọng trong dự án và có thể được nhóm ở mức cao bằng cách xác định báo cáo vấn đề, dữ liệu và công việc lập mô hình cũng như tạo ra mô hình cuối cùng để suy luận. Bởi vì các nhóm nhiệm vụ này có các mục tiêu khác nhau nên có nhiều phương pháp tự động hóa khác nhau đã được phát triển để hợp lý hóa và mở rộng quy mô dự án. Khái niệm Học máy tự động (AutoML) được phát triển để làm cho dữ liệu và mô hình hóa hoạt động hiệu quả nhất có thể. AutoML là tập hợp các giải pháp đã được chứng minh và tối ưu hóa trong mô hình hóa dữ liệu. Việc thực hành ModelOps được phát triển để triển khai các mô hình nhanh hơn và có khả năng mở rộng hơn. Trong khi AutoML và ModelOps tự động hóa các tác vụ cụ thể trong một dự án thì việc thực hành MLOps đóng vai trò như một phương pháp tự động hóa bao trùm chứa các nguyên tắc hướng dẫn cho tất cả các dự án AI/ML.

MLOpsChìa khóa để giải quyết các thách thức về dữ liệu không nhất quán, hạn chế về lao động, độ phức tạp của mô hình và triển khai mô hình để hoạt động hiệu quả và tối đa hóa giá trị kinh doanh của AI là thông qua việc áp dụng MLOps. MLOps, ở cấp độ cao, là hoạt động áp dụng các nguyên tắc kỹ thuật phần mềm của Cải tiến liên tục và Phân phối liên tục ( CI/CD ) cho các dự án Machine Learning. Đó là một tập hợp các phương pháp thực hành cung cấp khuôn khổ cho tính nhất quán và khả năng sử dụng lại, giúp triển khai và mở rộng mô hình nhanh hơn.

Công cụ MLOps là các ứng dụng dựa trên phần mềm giúp các tổ chức áp dụng các nguyên tắc MLOps vào thực tế theo cách tự động.

Sự phức tạp xuất phát từ môi trường kinh doanh luôn thay đổi ảnh hưởng đến dữ liệu cơ bản, nhu cầu suy luận, v.v. có nghĩa là MLOps trong các dự án AI/ML cần phải lặp lại nhanh hơn các dự án phần mềm DevOps thông thường.

AutoML

Trọng tâm của dự án AI/ML là tìm kiếm thông tin chi tiết về doanh nghiệp và các nhiệm vụ dẫn đến những thông tin chi tiết này có thể được thực hiện theo cách có thể mở rộng và hiệu quả với AutoML. AutoML là quá trình tự động hóa phân tích dữ liệu thăm dò (EDA), lựa chọn thuật toán, đào tạo và tối ưu hóa mô hình.

Các công cụ AutoML là nền tảng ít mã hoặc không có mã, bắt đầu bằng việc nhập dữ liệu. Sau đó, số liệu thống kê tóm tắt, trực quan hóa dữ liệu, phát hiện ngoại lệ, tương tác tính năng và các tác vụ khác liên quan đến EDA sẽ được tự động hoàn thành. Để đào tạo mô hình, các công cụ AutoML có thể phát hiện loại thuật toán nào phù hợp với dữ liệu và câu hỏi kinh doanh, đồng thời tiến hành kiểm tra từng mô hình. AutoML cũng lặp lại hàng trăm phiên bản của mô hình bằng cách điều chỉnh các tham số để tìm ra cài đặt tối ưu. Sau khi xác thực chéo và thử nghiệm thêm mô hình, một gói mô hình sẽ được tạo bao gồm các chuyển đổi dữ liệu và quy trình chấm điểm để dễ dàng triển khai vào môi trường sản xuất.

ModelOps

Mô hình được đào tạo một khi đã sẵn sàng để triển khai trong môi trường sản xuất thì một loạt nhiệm vụ và quy trình hoàn toàn mới sẽ bắt đầu. ModelOps là tập hợp các phương pháp và quy trình hỗ trợ triển khai mô hình nhanh chóng và có thể mở rộng vào sản xuất. Hiệu suất của mô hình giảm dần theo thời gian vì những lý do như xu hướng cơ bản trong việc thay đổi dữ liệu hoặc đưa dữ liệu mới vào, vì vậy các mô hình cần được theo dõi chặt chẽ và được cập nhật để duy trì giá trị kinh doanh cao nhất trong suốt vòng đời của nó.

Giám sát và quản lý mô hình là các thành phần chính của ModelOps, nhưng có nhiều khía cạnh khác cần được xem xét như một phần của chiến lược ModelOps. Quản lý cơ sở hạ tầng để phân bổ tài nguyên phù hợp (ví dụ: cách thức và thời điểm bao gồm các bộ tăng tốc), đào tạo lại mô hình tự động trong thời gian gần thực và tích hợp với các giải pháp bảo mật mạng tiên tiến, lập phiên bản và di chuyển là những yếu tố khác phải được xem xét khi nghĩ đến việc mở rộng quy mô. Môi trường AI.

Giải pháp của Dell về phương pháp tự động hóa

Dell cung cấp các giải pháp tập hợp các mối quan hệ đối tác về cơ sở hạ tầng và phần mềm để tận dụng lợi ích của AutoML, MLOps và ModelOps. Thông qua các giải pháp được thiết kế và thử nghiệm chung với Dell Validated Designs, các tổ chức có thể cung cấp cho nhóm AI/ML của họ môi trường ML có thể dự đoán và cấu hình cũng như các mục tiêu AI hoạt động của họ.

Dell đã hợp tác với cnvrg.io và H2O để cung cấp nền tảng phần mềm kết hợp với cơ sở hạ tầng điện toán, lưu trữ và mạng của Dell nhằm hoàn thiện các giải pháp AI/ML.

MLOps – cnvrg.io

cnvrg.io là một nền tảng máy học được xây dựng bởi các nhà khoa học dữ liệu nhằm giúp việc triển khai MLOps và quá trình đưa các mô hình từ thử nghiệm đến triển khai trở nên hiệu quả và có thể mở rộng. cnvrg.io cung cấp nền tảng để quản lý tất cả các khía cạnh của vòng đời ML, từ đường ống dữ liệu, thử nghiệm đến triển khai mô hình. Đây là một ứng dụng dựa trên Kubernetes cho phép người dùng làm việc trong mọi môi trường điện toán, cho dù đó là trên đám mây hay tại chỗ và có quyền truy cập vào bất kỳ ngôn ngữ lập trình nào.

Lớp quản lý của cnvrg.io được cung cấp bởi một mặt phẳng điều khiển tận dụng Kubernetes để quản lý các thùng chứa và nhóm cần thiết để điều phối các nhiệm vụ của dự án. Người dùng có thể xem số liệu thống kê trạng thái, sức khỏe và tài nguyên của môi trường cũng như từng tác vụ bằng bảng điều khiển cnvrg.io.

cnvrg.io giúp bạn dễ dàng truy cập các thuật toán và thành phần dữ liệu, cho dù chúng là mô hình được đào tạo trước hay mô hình được xây dựng từ đầu, với tương tác Git thông qua Thư viện AI. Logic xử lý trước dữ liệu hoặc bất kỳ mô hình tùy chỉnh nào có thể được lưu trữ và triển khai cho các tác vụ trên bất kỳ dự án nào bằng cách sử dụng giao diện kéo và thả để quản lý từ đầu đến cuối được gọi là cnvrg.io Pipelines.

Các tính năng điều phối và lập lịch sử dụng bộ lập lịch meta dựa trên Kubernetes, giúp công việc có thể di chuyển trên các môi trường và có thể tăng hoặc giảm quy mô tài nguyên theo yêu cầu. Cnvrg.io tạo điều kiện thuận lợi cho việc lập kế hoạch công việc giữa các cụm trên đám mây và tại chỗ để điều hướng thông qua sự tranh chấp và tắc nghẽn tài nguyên. Khả năng triển khai và quản lý tài nguyên điện toán một cách thông minh, từ CPU, GPU và các bộ tăng tốc AI chuyên dụng khác cho đến các tác vụ mà chúng có thể được sử dụng tốt nhất là điều quan trọng để đạt được các mục tiêu hoạt động trong AI.

kiến trúc giải pháp cnvrg.io

Phần mềm cnvrg.io có thể được cài đặt trực tiếp trên trung tâm dữ liệu của bạn hoặc có thể được truy cập thông qua việc cung cấp Metacloud của cnvrg.io . Cả hai phiên bản đều cho phép người dùng định cấu hình cơ sở hạ tầng của chính tổ chức thành các mẫu điện toán. Để cài đặt vào trung tâm dữ liệu tại chỗ, cnvrg.io có thể được triển khai trên nhiều cơ sở hạ tầng Kubernetes khác nhau, bao gồm cả kim loại trần, nhưng Thiết kế được xác thực của Dell cho AI sử dụng VMware và NVIDIA để cung cấp sự kết hợp mạnh mẽ giữa khả năng kết hợp và hiệu suất.

Các máy chủ PowerEdge của Dell có thể được trang bị GPU NVIDIA cung cấp tài nguyên điện toán cần thiết để chạy bất kỳ thuật toán nào trong các gói học máy như scikit tìm hiểu các thuật toán học sâu trong các khung như TensorFlow và PyTorch. Để lưu trữ, thiết bị PowerScale của Dell với bộ lưu trữ NAS toàn flash, mở rộng quy mô mang lại hiệu suất đồng thời để hỗ trợ các mạng thần kinh nặng về dữ liệu. VMware vSphere với Tanzu cho phép các cụm Tanzu Kubernetes được quản lý bởi Tanzu Mission Control. Các máy chủ chạy VMware vSAN cung cấp kho lưu trữ cho VM và nhóm.  Bộ chuyển mạch mạng PowerSwitch có thiết kế dựa trên 25 GbE hoặc thiết kế dựa trên 100 GbE cho phép thực hiện các công việc đào tạo mạng thần kinh hơn là có thể chạy trên một nút đơn lẻ. Cuối cùng, NVIDIA AI Enterprise đi kèm với phần mềm hỗ trợ GPU như phân chia tài nguyên GPU bằng khả năng MIG.

Dell cung cấp các đề xuất về việc định cỡ các cấu hình nút công nhân khác nhau, chẳng hạn như số lượng CPU/GPU và dung lượng bộ nhớ mà người dùng có thể triển khai cho nhiều loại thuật toán khác nhau mà các dự án AI/ML khác nhau có thể sử dụng.

Hình 2. Kiến trúc giải pháp Dell/cnvrg.io

Để biết thêm thông tin, hãy xem Hướng dẫn thiết kế—Tối ưu hóa máy học thông qua MLOps với Dell Technologies cnvrg.io.

AutoML – H2O.ai AI không cần trình điều khiển

Dell đã hợp tác với H2O và sản phẩm hàng đầu của họ, Driverless AI , để cung cấp cho các tổ chức một nền tảng AutoML toàn diện nhằm trao quyền cho cả các nhà khoa học dữ liệu và những người không rành về kỹ thuật để khám phá những hiểu biết sâu sắc một cách hiệu quả và hiệu quả. AI không cần trình điều khiển có một số tính năng giúp tối ưu hóa phần phát triển mô hình của quy trình làm việc AI/ML, từ việc nhập dữ liệu đến lựa chọn mô hình, khi các tổ chức mong muốn thu được thông tin chi tiết nhanh hơn và chất lượng cao hơn cho các bên liên quan trong kinh doanh. Đó là một giải pháp không cần mã thực sự với giao diện kiểu kéo và thả, mở ra cơ hội cho các nhà khoa học dữ liệu công dân.

Bắt đầu với việc nhập dữ liệu, AI không cần trình điều khiển có thể kết nối với các bộ dữ liệu ở nhiều định dạng và hệ thống tệp khác nhau, bất kể dữ liệu nằm ở đâu, từ tại chỗ đến nhà cung cấp đám mây. Sau khi được đưa vào, AI không cần lái xe sẽ chạy EDA, cung cấp khả năng trực quan hóa dữ liệu, phát hiện ngoại lệ và thống kê tóm tắt về dữ liệu của bạn. Công cụ này cũng tự động đề xuất các chuyển đổi dữ liệu dựa trên hình dạng dữ liệu của bạn và thực hiện quy trình kỹ thuật tính năng toàn diện để tìm kiếm các yếu tố dự đoán có giá trị cao so với biến mục tiêu. Bản tóm tắt về các tính năng được tạo tự động được hiển thị trong bảng điều khiển dễ hiểu.

Để phát triển mô hình, AI không cần lái xe tự động đào tạo nhiều mô hình dựng sẵn, với nhiều lần lặp lại để điều chỉnh siêu tham số. Công cụ này áp dụng thuật toán di truyền để tạo ra một mô hình cuối cùng, ‘sự sống sót của kẻ mạnh nhất’. Người dùng cũng có khả năng đặt mức độ ưu tiên cho các yếu tố về độ chính xác, thời gian và khả năng diễn giải. Ví dụ: nếu người dùng muốn tiếp cận một mô hình cần được trình bày cho đối tượng kinh doanh ít kỹ thuật hơn, thì công cụ sẽ tập trung vào các thuật toán có nhiều tính năng dễ giải thích hơn thay vì các mô hình loại hộp đen có thể đạt được độ chính xác cao hơn khi đào tạo lâu hơn. thời gian. Mặc dù công cụ AI không cần trình điều khiển có thể được chạy dưới dạng giải pháp không cần mã, nhưng tính năng mang theo công thức của riêng bạn sẽ trao quyền cho các nhà khoa học dữ liệu dày dạn kinh nghiệm hơn đưa các thuật toán và chuyển đổi dữ liệu tùy chỉnh vào các công cụ như một phần của quá trình thử nghiệm.

Đầu ra cuối cùng của Driverless AI, sau khi đăng quang một mô hình vô địch, sẽ bao gồm một tệp quy trình chấm điểm giúp dễ dàng triển khai sang môi trường sản xuất để suy luận. Quy trình chấm điểm có thể được lưu bằng Python hoặc MOJO và bao gồm các thành phần như chuyển đổi dữ liệu, tập lệnh, thời gian chạy, v.v.

Kiến trúc giải pháp AI không người lái

Nền tảng AI không người lái H2O  có thể được triển khai trong Kubernetes dưới dạng nhóm hoặc dưới dạng vùng chứa độc lập. Thiết kế được xác thực của Dell về AI không cần trình điều khiển nêu bật tính linh hoạt của VMware vSphere với Tanzu cho lớp Kubernetes hoạt động với Enterprise Steam của H2O để cung cấp khả năng kiểm soát và giám sát tài nguyên, kiểm soát truy cập và bảo mật ngay lập tức.

Máy chủ Dell PowerEdge , với GPU NVIDIA tùy chọn và NVIDIA AI Enterprise giúp việc xây dựng các bộ chứa trở nên dễ dàng đối với các nhóm người dùng khác nhau. Đối với các trường hợp sử dụng nặng về EDA hoặc sử dụng thuật toán học máy truyền thống, bộ chứa AI không cần trình điều khiển chỉ có CPU có thể phù hợp, trong khi bộ chứa có GPU phù hợp nhất để đào tạo các mô hình học sâu thường liên quan đến xử lý ngôn ngữ tự nhiên và thị giác máy tính. Bộ lưu trữ Dell PowerScale và bộ điều hợp mạng Dell PowerSwitch cung cấp khả năng đồng thời trên quy mô lớn để đào tạo các thuật toán chuyên sâu về dữ liệu có trong Driverless AI.

Dell cung cấp các đề xuất triển khai quy mô cụ thể theo yêu cầu và khả năng của tổ chức. Đối với các tổ chức bắt đầu hành trình AI, nên triển khai 5 phiên bản AI không cần trình điều khiển, 40 lõi CPU, bộ nhớ 3,2 TB và bộ lưu trữ 5 TB cho khối lượng công việc và dự án thực hiện mô hình thống kê hoặc học máy cổ điển. Để triển khai chính thống với nhiều người dùng hơn và khối lượng công việc nặng hơn sẽ được hưởng lợi từ khả năng tăng tốc GPU, nên sử dụng 10 phiên bản AI không cần trình điều khiển với 100 lõi CPU và 5 GPU NVIDIA A100, bộ nhớ 8 TB và dung lượng lưu trữ 10 TB. Cuối cùng, để triển khai hiệu suất cao cho các tổ chức muốn triển khai mô hình AI trên quy mô lớn, 20 phiên bản AI không cần trình điều khiển, 200 lõi CPU và 10 GPU A100, bộ nhớ 16 TB và dung lượng lưu trữ 20 TB sẽ cung cấp cơ sở hạ tầng cho môi trường AI đầy đủ dịch vụ .

Hình 3. Kiến trúc giải pháp AI không cần trình điều khiển của Dell/H2O

Để biết thêm thông tin, hãy xem Tự động hóa máy học với AI không cần trình điều khiển H2O .

Dell là đối tác của bạn trong Hành trình AI của bạn

AI không ngừng phát triển và nhiều tổ chức không có chuyên môn về AI để theo kịp việc thiết kế, phát triển, triển khai và quản lý các nhóm giải pháp với tốc độ cạnh tranh. Dell Technologies là đối tác đáng tin cậy của bạn và cung cấp các giải pháp hỗ trợ tổ chức của bạn trong hành trình AI. Trong hơn thập kỷ qua, Dell đã chứng tỏ mình là công ty dẫn đầu trong lĩnh vực điện toán tiên tiến bao gồm các sản phẩm, giải pháp và kiến ​​thức chuyên môn hàng đầu trong ngành. Chúng tôi có một nhóm chuyên gia gồm các chuyên gia về AI, Máy tính hiệu suất cao (HPC) và Phân tích dữ liệu chuyên giúp bạn theo kịp hành trình AI của mình.

Dịch vụ chuyên nghiệp AI

Bất kể nhu cầu AI của bạn là gì, bạn có thể yên tâm rằng việc triển khai của bạn sẽ được hỗ trợ bởi các dịch vụ công nghệ đẳng cấp thế giới của Dell. Dịch vụ tư vấn chuyên môn về AI của chúng tôi giúp bạn lập kế hoạch, triển khai và tối ưu hóa các giải pháp AI, đồng thời hơn 35.000 chuyên gia dịch vụ có thể hỗ trợ bạn dù bạn đang ở đâu trên hành trình AI của mình.

• Các dịch vụ tư vấn
• Dịch vụ triển khai
• Dịch vụ hỗ trợ
• Giải pháp thanh toán
• Dịch vụ được quản lý
• Dịch vụ cư trú

Trung tâm giải pháp khách hàng

Trung tâm Giải pháp Khách hàng là một nhóm gồm các chuyên gia giàu kinh nghiệm được trang bị để cung cấp lời khuyên, đề xuất và trình diễn chuyên môn về các công nghệ và nền tảng tiên tiến cần thiết để triển khai AI thành công. Nhân viên của chúng tôi duy trì sự hiểu biết thấu đáo về các nhu cầu và thách thức đa dạng của khách hàng, đồng thời đưa ra những hiểu biết có giá trị thu được từ sự tương tác sâu rộng với nhiều khách hàng. Bằng cách tận dụng kiến ​​thức và chuyên môn sâu rộng của chúng tôi, bạn sẽ có được lợi thế cạnh tranh trong việc theo đuổi các giải pháp AI.

Phòng thí nghiệm đổi mới AI và HPC

Phòng thí nghiệm đổi mới AI và HPC là cơ sở hạ tầng hàng đầu, được trang bị đội ngũ nhà khoa học máy tính, kỹ sư và tiến sĩ có tay nghề cao. chuyên gia cấp độ. Nhóm này tích cực tương tác với khách hàng và thành viên của cộng đồng AI và HPC, thúc đẩy quan hệ đối tác và cộng tác để thúc đẩy sự đổi mới. Với quyền truy cập sớm vào các công nghệ tiên tiến, Phòng thí nghiệm được trang bị để tích hợp và tối ưu hóa các cụm, điểm chuẩn ứng dụng, thiết lập các phương pháp thực hành tốt nhất và xuất bản các sách trắng chuyên sâu. Bằng cách làm việc trực tiếp với các chuyên gia về chủ đề của Dell, khách hàng có thể mong đợi các giải pháp phù hợp cho các yêu cầu AI và HPC cụ thể của họ.

Phần kết luận

MLOps và AutoML đóng một vai trò quan trọng trong việc thúc đẩy sự tích hợp thành công của AI/ML vào các tổ chức. MLOps cung cấp một khung tiêu chuẩn hóa để đảm bảo tính nhất quán, khả năng sử dụng lại và khả năng mở rộng trong các sáng kiến ​​AI/ML, trong khi AutoML hợp lý hóa quy trình lập mô hình và dữ liệu. Cách tiếp cận tổng hợp này cho phép các tổ chức đưa ra quyết định dựa trên dữ liệu và thu được giá trị kinh doanh tối đa từ những nỗ lực AI/ML của họ. Dell Validated Designs cung cấp một kế hoạch chi tiết để triển khai MLOps, từ đó biến những khái niệm này thành hiện thực. Bản chất năng động của các dự án AI/ML đòi hỏi phải lặp lại và tự động hóa nhanh chóng để giải quyết các thách thức như dữ liệu không nhất quán và hạn chế về tài nguyên. MLOps và AutoML đóng vai trò là yếu tố hỗ trợ quan trọng trong việc thúc đẩy chuyển đổi kỹ thuật số và thiết lập một doanh nghiệp lấy AI làm trung tâm.