Machine Learning Open Studio

Accélérez le développement de modèles d’intelligence artificielle à travers les déploiements et la scalabilité des workflows de machine learning

Accélérez le développement de vos modèles d’IA sur tout type d’infrastructure

Machine Learning Open Studio d’Activeeon offre aux ingénieurs et spécialistes de la donnée une solution simple, portable et évolutive pour les pipelines d’apprentissage automatique. La solution fournit des tâches prédéfinies et personnalisables permettant l’automatisation au sein du cycle de développement du machine learning.

Simplifiez, accélérez et industrialisez l’apprentissage automatique avec une plate-forme ouverte. Exécutez les workflows de façon transparente à n’importe quelle échelle et en production. Machine Learning Open Studio prend en charge tout type de source de données et tout type d’infrastructure.

Persistance et reproductibilité

consistency and repeatability schematic

Pipelines d’apprentissage automatique reproductibles et sans biais
AutoML et IA incrémentale
Déploiement automatisé des workflows de machine learning
Traçabilité du code et des données
Analytiques de jobs pour l’évaluation des modèles

Passage à l’échelle et portabilité

scaling and portable schematic

Passage simple au cloud via le resource manager
Partage de ressources limitées (GPU, TPU, FPGA)
Mise à l’échelle d’applications complexes
Exécution directe depuis Jupyter avec le Kernel d’Activeeon

Plateforme ouverte et couplage faible

loosely couple and reusable schematic

Code réutilsable pouvant être intégré dans tout type de système
Gestion et versioning des pipelines de machine learning et deep learning
Intégration avec Python via une API dédiée

Création et automatisation des pipelines

Les workflows d’Activeeon permettent de créer et automatiser les pipelines d’apprentissage automatique de manière fiable et sans biais de façon à ce que les résultats restent cohérents tout au long de diverses exécutions.

Cas d’utilisation

  • Machine Learning Open Studio permet, par exemple, l’optimisation d’hyperparamètres à grande échelle en créant un pipeline complet qui va itérer et paralléliser l’entrainement des différents modèles en utilisant les techniques d’AutoML.
  • Avec MLOS, il est possible de construire des pipelines standard pour l’extraction, transformation et préparation des données pour leur utilisation dans les modèles d’apprentissage automatique.
  • L’évaluation et le déploiement des modèles sont facilités.
consistency and reliability schematic

Passage à l’échelle et portabilité

La portabilité permet d’avoir le libre choix du fournisseur et favorise la collaboration entre les utilisateurs. En effet, le resource manager, fourni avec le Machine Learning Open Studio, permet de provisionner des ressources sur tout type d’infrastructure : sur site, hybride, multi-cloud, HPC, et de pleinement utiliser la capacité de calcul du CPU au GPU/TPU/FPGA. Il est également possible d’activer la fonctionnalité de passage à l’échelle automatique selon la charge de travail à traiter.

Enfin, l’accès aux ressources partagées favorise la collaboration grâce à un standard.

Cas d’utilisation

  • Créez un pipeline de développement réussi au sein des environnements de développement, de simulation, de QA and en production.
  • Approche distribuée du passage à l’échelle pour les pipelines de machine learning et deep learning.
  • Workflows résilients et scalables, multi-langages avec un large choix d’options.
  • Déplacez votre travail sur l’infrastructure avec des GPU ou du hardware spécifique pour entrainer votre modèle plus rapidement.
  • Partagez les pipelines avec vos collègues, demandez des conseils, adoptez les meilleures pratiques.
scaling and portability schematic

Plateforme ouverte et couplage faible

L’écosystème du machine learning et sa communauté open source sont en constante évolution. La capacité de tirer parti des contributions de la communauté est essentielle pour assurer une mise à jour constante des techniques et des meilleures performances. Machine Learning Open Studio d’Activeeon est une solution ouverte de bout en bout répondant à tous ces besoins.

De plus, certaines étapes du processus d’apprentissage automatique sont assez répétitives et pourraient être rendues génériques. Machine Learning Open Studio inclut un catalogue qui permet de partager, versionner et réutiliser les workflows plus facilement.

Cas d’utilisation

  • Sélectionnez les bibliothèques avec lesquelles vous êtes le plus à l’aise.
  • Créez un catalogue de code réutilisable pour vous aider à démarrer et à suivre les meilleures pratiques.
  • Editer des blocs pour des itérations plus rapides entre les algorithmes, les sources de données, la transformation des données, etc.
consistency and reliability schematic
  • Déploiement et mise à l’échelle de workflows de machine learning (ML) sur tout type d’infrastructure

  • Simplicité de déploiement pour les systèmes de machine learning open source sur les infrastructures sur site, hybrides ou multi-cloud

  • Solution de pipeline pour l’automatisation au sein du cycle de développement de machine learning

Legal & General
Capgemini
INRA
L'Oréal
Home Office
CNES

La solution ProActive offre une intégration facile et propose des librairies prêtes à l’emploi

BigDL
BigDL
CNTK
CNTK
Caffe
Caffe
DLib
DLib
G4j
G4j
H20
H20
Keras
Keras
MXNet
MXNet
PyTorch
PyTorch
Spark Mlib
Spark Mlib
TensorFlow
TensorFlow
cognitive services
cognitive services
jupyter
jupyter
pandas
pandas
scikit learn
scikit learn
Voir tous les connecteurs et librairies

Autres ressources

Plus de ressources