ProActive Machine Learning (PML)

Accélérez le développement et le déploiement des modèles d’intelligence artificielle avec des workflows scalables

Accélérez le déploiement de vos modèles d’IA

ProActive Machine Learning (PML) offre aux spécialistes de la donnée (data scientists, ingénieurs en machine learning) une solution simple, portable et scalable pour les pipelines d’apprentissage automatique. La solution fournit des tâches prédéfinies et personnalisables permettant d’automatiser le cycle de vie des modèles de machine learning afin de faciliter la collaboration entre les data scientists et les administrateurs système (Infrastructure & Operations) dans l’optique de tirer profit des modèles prédictives en production.

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

Le produit permet d’appliquer les meilleures pratiques de Machine Learning Operations (MLOps).

Planifier une démo


PML inclut Machine Learning Open Studio (MLOS): Composez simplement vos workflows de ML grâce au glisser-déposer

data preparation

Pour les data engineers

Les tâches de connecteurs de données et les modèles de workflows permettent d’automatiser et de faire passer à l’échelle les pipelines d’ingestion et de préparation des données

scale up model training

Pour les data scientists

Mise à l’échelle de l’apprentissage, de la validation et du test du modèle en parallèle
AutoML pour mettre à l’échelle le tuning des modèles pendant les expériences
Jupyter Kernel et connecteur Python pour créer des workflows d’IA à partir du code
Tâches d’IA et modèles de workflows pour automatiser les pipelines d’IA

machine learning operationalization

Pour les architectes d’IA

Model as a Service (MaaS) : déployer et exposer des modèles d’IA en production et à l’échelle ; surveillance, alerte, détection de dérive des données
JupyterLab as a Service : déployer une instance JupyterLab à la demande
Analyse et visualisation des tâches en tant que service : suivre et visualiser les métriques de votre workflow de machine learning
Services gérés (KNIME, …)

Accès facile et sécurisé aux services IA interactifs

En un clic, accédez en toute sécurité aux services d’IA interactifs classiques tels que JupyterLab, TensorBoard, Visdom, COCO_Annotator, H2O GUI, Knime et d’autres.

IT Automation Gromacs

Création et automatisation des pipelines

Les workflows ProActive permettent de créer et automatiser les pipelines de machine learning de manière fiable et sans biais de façon à ce que les résultats restent cohérents à travers diverses exécutions.

Cas d’utilisation

  • ProActive Machine Learning 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 ProActive Machine Learning, il est possible de construire des pipelines standard pour l’extraction, transformation et préparation des données pour leur utilisation dans les modèles de machine learning.
  • L’évaluation et le déploiement des modèles sont facilités avec les analytiques et la visualisation.
consistency and reliability schematic

Passage à l’échelle et portabilité

La portabilité permet d’avoir le libre choix du fournisseur d’infrastructure et favorise la collaboration entre les utilisateurs. En effet, le resource manager, fourni avec le ProActive Machine Learning, permet de provisionner des ressources sur tout type d’infrastructure : sur site, hybride, multi-cloud, HPC, edge et de pleinement utiliser la capacité de calcul du CPU au GPU/TPU/FPGA. Il est également possible d’activer la fonctionnalité du 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 vos 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. ProActive Machine Learning d’Activeeon est une solution ouverte de bout en bout répondant à tous ces besoins.

De plus, certaines étapes du processus de machine learning sont assez répétitives et peuvent être rendues génériques. ProActive Machine Learning 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.
  • Editez des blocs pour des itérations plus rapides entre les algorithmes, les sources de données, la transformation des données.
consistency and reliability schematic

Orchestration de pipelines & workflows : Edge - Core - Cloud - Edge pour l’AI et l’HPC



  • Déploiement et mise à l’échelle de modèles de machine learning sur tout type d’infrastructure

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

  • Solution de pipeline pour l’automatisation du cycle de vie du machine learning

Legal & General
Capgemini
INRA
L'Oréal
Home Office
CNES

Intégration facile et 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

mountains by john towner
Gestion transparente des workloads HPC et IA avec Activeeon, Hewlett Packard Enterprise (HPE) et Intel

HPE, Intel et Activeeon, dans le cadre de HPE GreenLake, permettent aux utilisateurs finaux, aux développeurs et aux spécialistes des données d'exécuter des workflows HPC pur, AI pur et HPC/AI convergé, et d'étendre cet environnement pour gérer de manière transparente les charges de travail et les données sur des systèmes cloud gérés hors site et sur le cloud public. more...

bacteria
[MetaGenoPolis] Orchestration dans l'analyse du microbiote

Notre microbiote est un acteur clé entre l'alimentation et notre corps et un acteur majeur du bien-être, de la santé et des maladies more...

Plus de ressources