En plus d’accélérer les déploiements, Charmed Kubeflow 1.6 rend le traitement des données plus transparent. La version 1.6 de Charmed Kubeflow offre de meilleures capacités de suivi. Les modèles AI/ML peuvent être mesurés plus efficacement, l’évolution et le débogage deviennent plus simples. La solution détecte la dérive des données et permet aux modèles de s’y adapter rapidement. Charmed Kubeflow 1.6 offre également un meilleur suivi des journaux d’essai, ce qui permet un débogage efficace en cas de défaillance de la source de données. L’enquête 2022 de Kubeflow révèle que le traitement et la transformation des données sont les activités les plus difficiles et les plus chronophages de l’entreprise. De plus, les données proviennent de diverses sources, chacune ayant des processus et des dépendances particuliers.

Formation et modélisation optimisées de l’IA

Les modèles nécessitent jusqu’à 15 itérations avant d’être prêts pour la production, et seulement la moitié d’entre eux arrivent à ce stade du processus d’IA/ML. Charmed Kubeflow 1.6 prend en charge la formation basée sur la population (PBT), ce qui permet d’accélérer l’itération des modèles et d’améliorer la probabilité qu’ils soient prêts pour la production. Un opérateur MPI rend la formation de grands volumes de données plus efficace. Les améliorations apportées à PyTorch rendent l’entraînement des modèles plus efficace et aident les ingénieurs ML à démarrer rapidement les projets.
Charmed Kubeflow aide les équipes de science des données à automatiser les tâches et à stimuler la productivité, ce qui permet aux entreprises de réduire leurs coûts. Les composants de la plateforme utilisent des charms — des opérateurs Kubernetes qui automatisent les opérations de maintenance et de sécurité. Les charmes accélèrent le déploiement de la charge de travail, ce qui permet aux data scientists de mettre les modèles sur le marché plus efficacement.-

Selon un rapport IBM Index AI 2022, l’adoption de l’IA/ML au sein des entreprises a atteint 35 % l’année dernière. Les avantages sont évidents. Par exemple, les banques qui appliquent l’intelligence artificielle pour créer des revenus de recommandation ont augmenté leurs ventes de 10 %, économisé 20 % de dépenses d’investissement, augmenté les encaissements de 20 % et réduit le taux de désabonnement de 20 %. L’identification d’outils permettant d’automatiser les flux de travail de la science des données est devenue essentielle pour obtenir un retour sur investissement plus rapide des projets d’IA/ML.